EnigmaForge：问题隐藏在故事中

大多数基准测试会直接向模型提出问题。EnigmaForge 则只给模型一摞旧文件，完全不提供问题。信件、收据和日志页边空白中隐藏着一个小型逻辑谜题，其解是唯一的——生成时由 SAT solver 证明，并附有消融证书，表明每条线索都不可或缺。由于实例是生成的而非收集的，这个语料库可以不断更新。核心指标是直觉：仅提供故事时任务的成功率；世界重建能力则作为次要维度。25 个前沿模型在三种匹配条件下运行了 600 多个实例（17,400 条计分记录）。直觉重新排列了排行榜：事实恢复能力的差距仅为 1.6 倍，而直觉能力的差距达到 22 倍；事实恢复能力第二强的模型排名第十四；一个模型在是否被告知问题这件事上表现无差异，另一个模型在不知道问题时反而显著更强。还有几个模型在接触谜题之前就被自身的内容过滤器拦截了——任何将拒答计为失败的基准测试，实际上都在悄然衡量过滤器的行为。