BALROG：LLM 智能体在 BabyAI、NetHack 等游戏环境中的评测基准

BALROG 是一个评测 LLM 智能体在游戏环境中逐步交互能力的基准，结果来自官方 Balrog 排行榜。它覆盖 BabyAI（5 项任务）、Baba is AI（40 项）、TextWorld（3 项）、MiniHack（4 项）及 Crafter、NetHack，每个环境与任务用 5 到 25 个不同随机种子评测，按 0 到 100 的进展指标取平均计分。