# RevengeBench：通过行为实验逆向恢复代码形式的策略

> 使用五种游戏环境中的 75 个合成策略，测试智能体能否通过行为轨迹和自行设计的对手探测恢复可执行决策策略，并衡量留出状态上的动作一致性及后续对抗价值。

- 作者：Babak Rahmani; Sebastian Dziadzio; Joschka Strüber; Sergio Hernández-Gutiérrez; Matthias Bethge
- 原标题：RevengeBench: Reverse Engineering Code-Space Policies from Behavioral Experiments
- 发表载体：arXiv
- 发表状态：预印本
- 出版／提交日期：2026 年 6 月 24 日
- 日期依据：采用 arXiv v1 的首次提交日期；AIWILD 非存档研讨会接收不构成另一出版日期。
- arXiv 首次提交：2026 年 6 月 24 日
- arXiv：2606.26094
- 已复核的 arXiv 版本：v1
- DOI：10.48550/arXiv.2606.26094
- 来源复核于：2026-10-17
- 收录于：2026-10-16
- 原始论文：<https://arxiv.org/abs/2606.26094>
- PDF：<https://arxiv.org/pdf/2606.26094v1>
- 代码：<https://github.com/bethgelab/revenge-bench>
- 项目：<https://revengebench.com/>
- BibTeX：<https://awesomerea.org/papers/citations/paper-revengebench.bib>
- 目录页面：<https://awesomerea.org/zh/papers/paper-revengebench/>
- 记录 JSON：<https://awesomerea.org/papers/paper-revengebench/record.json>
- 英文版：[English](https://awesomerea.org/papers/paper-revengebench/index.md)

## 研究范围与局限

目标是固定的合成策略，不是完整游戏或自适应对手。有限评测状态上的动作一致性不能唯一确定源码，部分环境的方差较大。公开包未包含部分仅用于论文的绘图与消融实验；复现还需要 CodeClash、容器运行时和模型访问。

## 与本合集的关联

为智能体辅助的行为逆向工程与主动实验设计提供游戏领域基准。

## 发表与复核说明

已被 ICML 2026 的第二届 Agents in the Wild（AIWILD）非存档研讨会接收：其 OpenReview 记录于 2026-05-23 发布，并由 2026 年 7 月 11 日研讨会的 ICML 页面链接。研讨会征稿说明采用非存档政策，因此本条目保留 arXiv 预印本及首次提交日期。仓库与一位作者的发表列表也记载了该接收信息。产物属于官方项目。

## 一手来源

1. <https://arxiv.org/abs/2606.26094>
2. <https://arxiv.org/html/2606.26094v1>
3. <https://github.com/bethgelab/revenge-bench>
4. <https://github.com/bethgelab/revenge-bench/blob/090048696b4c7287e4cd05a728d4bba10fc8d421/README.md>
5. <https://joschkastrueber.github.io/publications/>
6. <https://openreview.net/forum?id=KTnZYPgaQz>
7. <https://icml.cc/virtual/2026/workshop/54082>
8. <https://agentwild-workshop.github.io/icml2026/>

## 关于此条目

已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。
原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。