LLM-WikiRace：对现实世界知识图的长期规划和推理进行基准测试

我们提出 LLM-Wikirace，一个评估大语言模型（LLM）规划、推理和世界知识的基准。在 LLM-Wikirace 中，模型必须沿维基百科超链接逐步高效导航，从给定源页面到达目标页面，这需要前瞻规划以及推理现实世界中概念如何关联的能力。我们评估了广泛的开放与闭源模型，包括 Gemini-3、GPT-5 和 Claude Opus 4.5，它们在任务简单级别上取得最强结果，展现超人表现。尽管如此，困难级别下性能骤降：表现最佳的 Gemini-3 在困难对局中仅成功 23%，凸显前沿模型仍面临重大挑战。分析显示，世界知识是成功的必要成分，但仅到一定程度；越过该阈值后，规划与长视界推理能力成为主导因素。轨迹级分析进一步揭示，即便最强模型也难以在失败后重新规划，常陷入循环而非恢复。LLM-Wikirace 是一个简单却揭示当前推理系统明确局限的基准，为具备规划能力的 LLM 提供了仍大有可为的开放竞技场。代码与排行榜见 https:/llmwikirace.github.io。