论文
FromPitch2Board：长期足球管理中LLM经纪人的基准测试
FromPitch2Board: Benchmarking LLM Agents in Long-Horizon Football Management
摘要
长时域智能体基准通常报告智能体的进展程度，但不能确定其性能是否来自基础模型、脚手架、责任范围、匹配控制粒度或视野。我们引入了 FromPitch2Board，这是一种确定性的足球管理基准，它使用配对种子和冻结校准，通过在单个模拟器上进行受控比较来研究五个可配置因素。我们评估了四种基础模型和四种Agent支架。在模型赛道上，教练点Z值跨度为0.19，而经理点Z值跨度为0.68，GPT-5.6显示责任扩张下的被动性急剧上升。其责任阶梯在招聘时从46.1点上升到58.1点，然后在全面管理时下降到46.8点，将回归定位到最终的责任边界。越过这一界限，其跳过决策率从 1.1% 上升至 57.9%。在跨越每个脚手架的 Flash-Pro 对中，相对于固定的无状态脚手架，脚手架选择将 Manager 点 Z 分数最多改变 0.48。 3Y 队列显示第一年和第三年之间平均排名的方向性反转，而选定的 Claude Code+Pro 配置在第三年达到峰值并保持在该峰值以下，这表明责任范围和范围暴露了单个标题分数所掩盖的行为变化。