Share your thoughts, 1 month free Claude Pro on usSee more

Strategic Game Playing on 13 Strategic Scenarios (test)

0.336TicTacToe Score

MAFP

Updated 1mo ago

Evaluation Results

Method	Links
MAFP 2026.06		0.336	0.34	0.125	0.41	0.449	0.461	0.324	0.469	0.578	0.393	0.477	0.605	0.508	0.421
SR 2026.06		0.328	0.395	0	0.359	0.332	0.234	0.273	0.227	0.484	0.438	0.436	0.516	0.498	0.348
ToM 2026.06		0.307	0.293	0	0.391	0.281	0.359	0.328	0.406	0.516	0.293	0.521	0.602	0.504	0.369
MAFP-Last 2026.06		0.287	0.344	0.469	0.297	0.268	0.234	0.305	0.5	0.477	0.148	0.527	0.502	0.5	0.374
Q3.5-35B 2026.06		0.258	0.297	0.031	0.406	0.34	0.266	0.277	0.328	0.531	0.406	0.385	0.584	0.5	0.355
Q3-1.7B 2026.06		0.232	0.477	0.133	0.406	0.174	0.531	0.305	0.348	0.363	0.496	0.234	0.473	0.5	0.359
Debate 2026.06		0.229	0.328	0.023	0.434	0.258	0.297	0.266	0.367	0.516	0.398	0.559	0.549	0.502	0.363
Llama-3.1-8B 2026.06		0.227	0.312	0.018	0.434	0.281	0.203	0.246	0.328	0.402	0.467	0.334	0.354	0.5	0.316
GPT-5-nano 2026.06		0.164	0.078	0.031	0.32	0.281	0.312	0.219	0.234	0.43	0.443	0.447	0.562	0.5	0.309