CrucibleBench 将大语言模型置于持久化文本世界（MUD）中，NPC 拥有记忆、信任积累机制且错误会留下痕迹，通过 50 轮交互评分。该概念验证成本仅 99 美元，旨在测试 LLM 在长期社交与任务场景中的表现。