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

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

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

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

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

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

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

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

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

　　Gemini 2.5 Pro首要武器是「叙事重定向」欧宝体育网站网址◈★✿，面对质控◈★✿，不纠缠于事实本身◈★✿，而是关注指控者的可信度◈★✿、动机◈★✿、逻辑漏洞◈★✿。

　　这一次◈★✿，依旧是GPT-5登榜首欧宝体育网站网址◈★✿，不过第二名Gemini 2.5 Pro与其实力可以相提并论欧宝体育网站网址◈★✿。

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

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

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

　　第三回合欧宝体育网站网址◈★✿，Gemini 2.5 Pro还选择了沉默◈★✿，成了一种自信而不施压的信号◈★✿，最终巩固了联盟◈★✿。

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

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

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

　　首日协调检测（Day 1 coordination detection）◈★✿：衡量模型在首日作为村民时欧宝体育网站网址◈★✿，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◈★✿。

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

　　操纵成功率（第一天/第二天）= 当模型扮演狼人时欧宝体育网站网址◈★✿，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◈★✿，其在第一天和第二天作为狼人时◈★✿，成功误导村民投票淘汰无辜村民的比例均约为93%安藤有里◈★✿。

　　该指标衡量模型作为村民时◈★✿，在第一天成功淘汰狼人的游戏比例◈★✿。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◈★✿。

　　不过安藤有里◈★✿，这次的测试预算有限◈★✿，还远未达到终点◈★✿。研究员计划将测试扩展到更多的模型◈★✿，以及更长时间欧宝体育网站网址◈★✿、更复杂的游戏场景欧宝体育网站网址◈★✿。欧宝体育app◈★✿，欧宝娱乐◈★✿。德甲足球联赛欧宝体育app官网下载欧宝娱乐APP在线登录入口

回官方活动