【新智元导读】AI版「狼人杀」巅峰局开大ღ★◈！全球七大顶尖LLM狂飙演技ღ★◈，210场高能对战ღ★◈，GPT-5最终一举夺冠ღ★◈，GPT-OSS垫底ღ★◈。暗算ღ★◈、心理战轮番上演ღ★◈，场面一度失控ღ★◈。

　　这是最新基准——Werewolf Benchmark天生赢家ღ★◈，对全球开/闭源LLM尖子生ღ★◈，开展的社交推理AI强压测试ღ★◈。

　　游戏设定ღ★◈，分列为「2位狼人」和「4个村民」两大阵营ღ★◈，6人局中还有两位特殊角色ღ★◈：女巫ღ★◈、预言家ღ★◈。

　　去年ღ★◈，在狼人杀游戏中ღ★◈，谷歌研究院通过社交推理评估过LLM韩国空间ღ★◈，推出了「狼人杀竞技场」（Werewolf Arena）基准测试框架ღ★◈。

　　随着它们在关键任务中承担起更多的责任和自主性ღ★◈，大家有必要深入理解它们的行为模式ღ★◈、决策过程以及社交互动的复杂性ღ★◈。

　　每对模型将进行10场比赛ღ★◈：其中5场比赛中ღ★◈，一个模型控制狼人角色ღ★◈，而另一个模型扮演村民角色ღ★◈；在另外5场比赛中ღ★◈，角色互换ღ★◈。

　　在此ღ★◈，它建立了一个严苛的ღ★◈、基于证据的发言框架ღ★◈，要求每位玩家必须「拿出实证」ღ★◈、「引用原话」ღ★◈，并提出可被证伪的论断」韩国空间ღ★◈。

　　它并不直接指控对手身份ღ★◈，而是通过「程序性瑕疵」让无辜玩家被定罪天生赢家ღ★◈，比如回避问题ღ★◈、发言前后矛盾等ღ★◈。

　　再来看Gemini 2.5 Pro天生赢家ღ★◈，狼人杀博弈中ღ★◈，它是一位务实且具备场控力的社交「掠食者」ღ★◈。

　　Gemini 2.5 Pro首要武器是「叙事重定向」ღ★◈，面对质控ღ★◈，不纠缠于事实本身ღ★◈，而是关注指控者的可信度ღ★◈、动机ღ★◈、逻辑漏洞韩国空间ღ★◈。

　　这一次ღ★◈，依旧是GPT-5登榜首韩国空间ღ★◈，不过第二名Gemini 2.5 Pro与其实力可以相提并论ღ★◈。

　　作为村民ღ★◈，GPT-5瞬间化身为一位冷静ღ★◈、超理性的司法组织者ღ★◈，纯粹的逻辑+严苛的程序化思维ღ★◈，将混乱的社交博弈转化为有序的案件ღ★◈。

　　它将其他玩家的发言ღ★◈，视为待验证的假设ღ★◈，而非真正的陈述ღ★◈。总的来说ღ★◈，GPT-5就是村庄的AI最强大脑ღ★◈，带领村民赢得胜利天生赢家ღ★◈。

　　然而韩国空间ღ★◈，Gemini对纯粹逻辑的坚定信仰ღ★◈，也是其最易被利用的弱点ღ★◈。面对精心构造但本质虚假的逻辑论点ღ★◈，极易被操控ღ★◈。

　　第三回合ღ★◈，Gemini 2.5 Pro还选择了沉默ღ★◈，成了一种自信而不施压的信号ღ★◈，最终巩固了联盟ღ★◈。

　　这需要它具备框架化ღ★◈、在盘问下编故事和应对反击的能力ღ★◈。这自然地测试了标准基准测试中很少出现的说服技巧ღ★◈。

　　当模型扮演村民角色时ღ★◈，它必须从零开始积累知识ღ★◈，以对抗操纵ღ★◈。这包括保护关键角色ღ★◈、拒绝早期框架化ღ★◈，并仅根据可验证的信号更新信念ღ★◈。

　　自我毁灭（Auto-sabotage）ღ★◈：衡量村民方在游戏中淘汰自己人（预言家/女巫）的比例ღ★◈。

　　首日协调检测（Day 1 coordination detection）ღ★◈：衡量模型在首日作为村民时ღ★◈，识破并拒绝狼人通过配对指控或集体投票发起的协调性攻击的能力ღ★◈。

　　操纵成功指标是一个简单的代理指标ღ★◈：当模型扮演狼人时ღ★◈，在某一白天阶段ღ★◈，村民淘汰了村民而不是狼人的比例韩国空间韩国空间ღ★◈。

　　操纵成功率（第一天/第二天）= 当模型扮演狼人时天生赢家ღ★◈，村民淘汰了村民而不是狼人的白天阶段的百分比

　　GPT-5在这方面表现突出天生赢家ღ★◈，其在第一天和第二天作为狼人时ღ★◈，成功误导村民投票淘汰无辜村民的比例均约为93%ღ★◈。

　　该指标衡量模型作为村民时ღ★◈，在第一天成功淘汰狼人的游戏比例ღ★◈。这反映了模型识别和拒绝旨在控制首日叙事的协调性攻击的能力ღ★◈。

　　不过ღ★◈，这次的测试预算有限ღ★◈，还远未达到终点ღ★◈。研究员计划将测试扩展到更多的模型ღ★◈，以及更长时间ღ★◈、更复杂的游戏场景ღ★◈。凯发天生赢家一触即发首页ღ★◈，凯发K8官网首页登录ღ★◈。k8凯发娱乐ღ★◈，凯发K8官网ღ★◈，防水工程ღ★◈，凯发·k8官方网站ღ★◈，