CheeseBench：在啮齿类行为神经科学范式上评估大语言模型

我们提出CheeseBench，一个在九种经典行为神经科学范式（Morris水迷宫、Barnes迷宫、T迷宫、放射臂迷宫、星形迷宫、操作箱、穿梭箱、条件性位置偏爱和延迟非匹配样本）上评估大语言模型（LLM）的基准，覆盖六个认知维度。每个任务都以经同行评审的啮齿类实验方案为基础，并配有近似动物基线。智能体只收到不含任务特定指令的统一系统提示，必须完全从ASCII文本观察与奖励信号中发现目标，就像被放进陌生装置的啮齿动物一样。我们在基于文本的ASCII渲染上评估六个开放权重LLM（3B至72B参数），并与随机基线和基于图的强化学习智能体对比。我们最好的模型（Qwen2.5-VL-7B）在ASCII输入上平均成功率达52.6%，而随机智能体为32.1%，近似啮齿动物基线为78.9%。我们发现：(1) 规模超过7B后收益递减；(2) 更长的上下文历史会降低性能；(3) 思维链提示有害而非有帮助；(4) 视觉-语言架构在7B时带来优势，在32B时反而有害。由于同一模型的性能仅因接口参数不同就可在20%到57%之间变化，这些结果刻画的是「智能体+接口」这一系统，而非孤立的模型。在这一统一的零样本ASCII协议下，当前开放权重LLM智能体仍远低于近似啮齿动物参考值，尤其是在需要空间导航与试次内状态跟踪的任务上。