凯发集团|首页官网

　　【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场高能对战凯发K8国际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 Benchmarkღ★★★，对全球开/闭源LLM尖子生ღ★★★，开展的社交推理AI强压测试ღ★★★。

　　游戏设定和希沙也凯发K8国际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LLMღ★★★，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」和希沙也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ღ★★★，比如回避问题ღ★★★、发言前后矛盾等ღ★★★。

　　再来看Gemini 2.5 Proღ★★★，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」凯发K8国际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ღ★★★。

　　这一次ღ★★★，依旧是GPT-5登榜首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ღ★★★。

　　然而ღ★★★，Gemini对纯粹逻辑的坚定信仰ღ★★★，也是其最易被利用的弱点凯发K8国际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还选择了沉默和希沙也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凯发K8国际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ღ★★★。

　　操纵成功率（第一天/第二天）= 当模型扮演狼人时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★★★，其在第一天和第二天作为狼人时和希沙也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K8国际登录官方网站ღ★★★，凯发国际官网ღ★★★，凯发K8娱乐官网