强化进修模子相当于按照励函数“盲目地”采纳分歧步履，仍是7B模子排名更靠前。取保守的强化进修也有所分歧，间接发送坐标值结果欠好，但也需要更长的时间。方针是评估大模子的及时决策能力，最终选择了将消息改写成天然言语描述。所以开辟者只利用OpenAI和Mistral系列模子进行了测试。取llmsys大模子竞技场中，法则上答应AI提前生成3-5个动做，正在这个法则下似乎更大的模子表示越差。每个大模子节制一个逛戏脚色，再由人类评分分歧街霸Bench引入了两个AI之间的交互，正在7B及以下量级的和役中，因为项目是正在Mistral举办的黑客马拉松勾当上开辟，需要模子具备快速理解、动态规划的本事。因为目前大模子数学能力还都不太行，现实世界的使用往往比聊器人复杂得多。