语言模型能玩维基百科游戏吗？GPT-o3 mini、GPT-4o、QwQ:32B 与 DeepSeek-R1:70B 表现接近人类

研究用维基百科游戏测试语言模型的信息检索能力，让模型仅靠文章链接抵达目标条目，覆盖五种维基百科语言和五个学术文献数据集。GPT-o3 mini、GPT-4o、QwQ:32B 和 DeepSeek-R1:70B 成功率与人类相当，但无模型显著超越人类，且表现和排名随语言与主题变化。研究基于 OpenAlex 构建大规模本地维基百科与论文引用图，并开源构建与导航代码，无需依赖第三方 API。