语言模型正日益用于从规模庞大的文档集合中检索信息，这类任务往往需要专业的语言或科学知识，因而难度较大。\ \ 我们借助维基百科游戏来评估模型在类似信息检索任务中的表现。游戏规则要求玩家仅通过文章内部链接，从起始页面一步步跳转至目标页面。\ \ 实验中，我们在五种维基百科语言以及五个学术文献数据集上，对比了句向量模型和大型语言模型（LLM）。为避免依赖第三方 API，我们利用 OpenAlex 构建了包含维基页面和论文引用的大规模本地图，并公开了构建与导航代码。\ \ 模型的表现与人类玩家以及基于 TF‑IDF 的基准进行了比较。结果显示，没有任何模型显著超越人类，然而 GPT‑o3 mini、GPT‑4o、QwQ:32B 与 DeepSeek‑R1:70B 等最强模型的成功率已接近人类水平。\ \ 不同语言和主题下的性能差异明显，这对在实际场景中选用相应技术提供了参考。\ \ 点评：维基百科游戏提供了一个统一且可重复的评估框架，能够直观展示语言模型在跨语言、跨领域导航任务中的局限与潜力，为后续改进指明了方向。