实测 8 个模型当桌游主持人:27B 小模型叙事质量干翻了 405B 巨无霸
I tested 8 LLMs as tabletop GMs - a 27B model beat the 405B on narrative quality
作者用 6 个固定跑团场景测了 8 个模型,让它们当桌游主持人。评分用了 8 项自动指标加 3 个 LLM 裁判打分,整轮测试只花了约 0.02 美元。最终 google/gemma-3-27b-it 以 4.33 的综合叙事分排第一。标题说 27B 赢了 405B,但正文被屏蔽了,没披露那个 405B 具体是哪个模型,也没给出完整排名。
推荐理由:作者用 6 个固定跑团场景和 8 项自动指标加 3 个 LLM 裁判,测了 8 个模型当桌游主持人的叙事表现,google/gemma-3-27b-it 以 4.33 分居首。