Strategic Game Playing on 13 Strategic Scenarios (test) benchmark leaderboard · SOTA2 Research

Strategic Game Playing on 13 Strategic Scenarios (test)

0.336TicTacToe ScoreMAFP

Evaluation Results

Method	Links
MAFP2026.06		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
SR2026.06		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
ToM2026.06		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-Last2026.06		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
Q3.5-35B2026.06		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
Q3-1.7B2026.06		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
Debate2026.06		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-3.1-8B2026.06		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-nano2026.06		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