تحتل استراتيجيات التفكير تحت ظروف عدم اليقين مكانة مهمة في اتخاذ القرارات الحساسة في مجالات التفاوض والمالية والسياسة. ومع ذلك، فإن المعايير الحالية المستخدمة لقياس أداء نماذج الذكاء الاصطناعي تخلط بين أبعاد التفكير المتنوعة لتصل إلى تقييم إجمالي واحد، مما يحرمنا من فهم الهيكل المعقد لقدرات هذه النماذج.
تمثل Poker Arena منصة جديدة ومثيرة، حيث تستخدم لعبة بوكر تكساس هولدم (Texas Hold'em) لاختبار قدرات نماذج اللغات الضخمة (Large Language Models) عبر ما يعادل
ثلاث طبقات من الذاكرة: الذاكرة الداخلية، والذاكرة الخاصة بالجولة، والذاكرة عبر الجولات.
وتستخدم المنصة أيضًا تسعة أبعاد استيعابية لتحليل قدرات التفكير الاستراتيجي، بما في ذلك فحص كيفية تحديد حجم الرهانات والوعي بالموقف.
قُمنا بتقييم سبعة نماذج رائدة على مدار 50 جولة تضم 1000 يد من اللعب، مع تجنب تأثير الذاكرة المتكررة. كانت النتائج مثيرة: حقق نموذج Claude Opus 4.6 انتصارًا ساحقًا مع زيادة قدرها 15,730 شريحة عبر 14 فوزًا، رغم أنه احتل المركز الخامس على أساس متوسط ​​النقاط.
بينما ساعدت الذاكرة المستمرة بعض النماذج ووضعت أعباءً على أخرى، ما أبرز أهمية التقييم المتعدد الأبعاد في تقييم القدرات. يظهر هذا البحث أن التقييم المعتمد على أبعاد متعددة يمكن أن يوفر رؤية أعمق حول الأداء والكفاءة، متجاوزًا مجرد الأرقام على لوحات القادة القياسية.