测试过程中通过一种迭代交互循环模式进行，游戏环境会持续地向大模型提供游戏状态，模型凭据状态天生作为，这些作为随后在游戏环境中被执行，并凭据执行了局推算嘉奖，接着游戏状态会更新以进行下一轮决策。 同时还引入了智能体框架作为辅助工具，其中蕴含了感知、影象、推理等�？�；为了确保评估了局的不变性和可比性，该模式还执行了提醒尺度化，以削减提醒提醒词带来的机能颠簸。 超等马里奥兄弟：衡量尺度是马里奥在所有关卡中累积的水平移动距离（以游戏单元推算），直到失去所有三条性命或实现最终关卡为止。2048：评估指标是所有归并方块值的总和，纪录直到棋盘滞碍（陆续十回合没有归并或棋盘变动）为止，取以2为底的对数后乘10即为最终分数。糖果传奇：评价尺度是在固定的 50 回合内解除的糖果总数。逆转裁判：通过所有案件关卡中正确作为（例如提交证据、选择对话）的总计数来衡量，直到犯下五次谬误决策（即性命值用�。┪�止。