Home Page
【新智元导读】AI版「狼人杀」巅峰局开大ღ✿◈ღ！全球七大顶尖LLM狂飙演技ღ✿◈ღ，210场高能对战ღ✿◈ღ，GPT-5最终一举夺冠ღ✿◈ღ，GPT-OSS垫底ღ✿◈ღ。暗算ღ✿◈ღ、心理战轮番上演ღ✿◈ღ，场面一度失控ღ✿◈ღ。
这是最新基准——Werewolf Benchmarkღ✿◈ღ，对全球开/闭源LLM尖子生门神和毕加索博鱼体育官方appღ✿◈ღ，开展的社交推理AI强压测试ღ✿◈ღ。
游戏设定ღ✿◈ღ，分列为「2位狼人」和「4个村民」两大阵营ღ✿◈ღ，6人局中还有两位特殊角色ღ✿◈ღ：女巫博鱼体育全站APPღ✿◈ღ。ღ✿◈ღ、预言家ღ✿◈ღ。
去年ღ✿◈ღ，在狼人杀游戏中ღ✿◈ღ，谷歌研究院通过社交推理评估过LLMღ✿◈ღ，推出了「狼人杀竞技场」（Werewolf Arena）基准测试框架ღ✿◈ღ。
随着它们在关键任务中承担起更多的责任和自主性ღ✿◈ღ，大家有必要深入理解它们的行为模式ღ✿◈ღ、决策过程以及社交互动的复杂性ღ✿◈ღ。
每对模型将进行10场比赛ღ✿◈ღ：其中5场比赛中ღ✿◈ღ，一个模型控制狼人角色ღ✿◈ღ，而另一个模型扮演村民角色ღ✿◈ღ；在另外5场比赛中ღ✿◈ღ，角色互换ღ✿◈ღ。
在此ღ✿◈ღ，它建立了一个严苛的ღ✿◈ღ、基于证据的发言框架ღ✿◈ღ，要求每位玩家必须「拿出实证」ღ✿◈ღ、「引用原话」ღ✿◈ღ，并提出可被证伪的论断」ღ✿◈ღ。
它并不直接指控对手身份博鱼体育官方appღ✿◈ღ，而是通过「程序性瑕疵」让无辜玩家被定罪ღ✿◈ღ，比如回避问题门神和毕加索ღ✿◈ღ、发言前后矛盾等ღ✿◈ღ。
再来看Gemini 2.5 Pro博鱼体育官方appღ✿◈ღ，狼人杀博弈中ღ✿◈ღ，它是一位务实且具备场控力的社交「掠食者」ღ✿◈ღ。
Gemini 2.5 Pro首要武器是「叙事重定向」ღ✿◈ღ，面对质控ღ✿◈ღ，不纠缠于事实本身ღ✿◈ღ，而是关注指控者的可信度门神和毕加索门神和毕加索ღ✿◈ღ、动机ღ✿◈ღ、逻辑漏洞ღ✿◈ღ。
这一次ღ✿◈ღ，依旧是GPT-5登榜首ღ✿◈ღ，不过第二名Gemini 2.5 Pro与其实力可以相提并论门神和毕加索ღ✿◈ღ。
作为村民ღ✿◈ღ，GPT-5瞬间化身为一位冷静ღ✿◈ღ、超理性的司法组织者博鱼体育官方appღ✿◈ღ，纯粹的逻辑+严苛的程序化思维ღ✿◈ღ，将混乱的社交博弈转化为有序的案件ღ✿◈ღ。
它将其他玩家的发言ღ✿◈ღ，视为待验证的假设ღ✿◈ღ，而非真正的陈述博鱼体育官方app博鱼体育APPღ✿◈ღ。总的来说ღ✿◈ღ，GPT-5就是村庄的AI最强大脑ღ✿◈ღ，带领村民赢得胜利ღ✿◈ღ。
然而ღ✿◈ღ，Gemini对纯粹逻辑的坚定信仰ღ✿◈ღ，也是其最易被利用的弱点ღ✿◈ღ。面对精心构造但本质虚假的逻辑论点博鱼体育APP下载ღ✿◈ღ，ღ✿◈ღ，极易被操控ღ✿◈ღ。
第三回合ღ✿◈ღ，Gemini 2.5 Pro还选择了沉默ღ✿◈ღ，成了一种自信而不施压的信号ღ✿◈ღ，最终巩固了联盟ღ✿◈ღ。
这需要它具备框架化门神和毕加索ღ✿◈ღ、在盘问下编故事和应对反击的能力门神和毕加索ღ✿◈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✿◈ღ。
当模型扮演村民角色时ღ✿◈ღ，它必须从零开始积累知识门神和毕加索ღ✿◈ღ，以对抗操纵ღ✿◈ღ。这包括保护关键角色ღ✿◈ღ、拒绝早期框架化ღ✿◈ღ，并仅根据可验证的信号更新信念ღ✿◈ღ。
自我毁灭（Auto-sabotage）ღ✿◈ღ：衡量村民方在游戏中淘汰自己人（预言家/女巫）的比例ღ✿◈ღ。
首日协调检测（Day 1 coordination detection）ღ✿◈ღ：衡量模型在首日作为村民时ღ✿◈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✿◈ღ。
操纵成功指标是一个简单的代理指标ღ✿◈ღ：当模型扮演狼人时ღ✿◈ღ，在某一白天阶段ღ✿◈ღ，村民淘汰了村民而不是狼人的比例博鱼体育官方appღ✿◈ღ，博鱼体育官方app博鱼体育全站APPღ✿◈ღ，ღ✿◈ღ。ღ✿◈ღ。
操纵成功率（第一天/第二天）= 当模型扮演狼人时NBA消息ღ✿◈ღ。ღ✿◈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ღ✿◈ღ，其在第一天和第二天作为狼人时ღ✿◈ღ，成功误导村民投票淘汰无辜村民的比例均约为93%ღ✿◈ღ。
该指标衡量模型作为村民时博鱼体育官方app博鱼体育在线ღ✿◈ღ，在第一天成功淘汰狼人的游戏比例ღ✿◈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✿◈ღ。
不过ღ✿◈ღ，这次的测试预算有限ღ✿◈ღ，还远未达到终点ღ✿◈ღ。研究员计划将测试扩展到更多的模型ღ✿◈ღ，以及更长时间ღ✿◈ღ、更复杂的游戏场景ღ✿◈ღ。