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

　　这是最新基准——Werewolf Benchmarkღ★ღღ，对全球开/闭源LLM尖子生国内精品一卡二卡三卡公司ღ★ღღ，开展的社交推理AI强压测试ღ★ღღ。

　　游戏设定ღ★ღღ，分列为「2位狼人」和「4个村民」两大阵营MG不朽情缘ღ★ღღ，6人局中还有两位特殊角色ღ★ღღ：女巫国内精品一卡二卡三卡公司MG不朽情缘ღ★ღღ、预言家ღ★ღღ。

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

　　随着它们在关键任务中承担起更多的责任和自主性ღ★ღღ，大家有必要深入理解它们的行为模式国内精品一卡二卡三卡公司ღ★ღღ、决策过程以及社交互动的复杂性ღ★ღღ。

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

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

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

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

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

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

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

　　它将其他玩家的发言ღ★ღღ，视为待验证的假设ღ★ღღ，而非真正的陈述ღ★ღღ。总的来说ღ★ღღ，GPT-5就是村庄的AI最强大脑ღ★ღღ，带领村民赢得胜利国内精品一卡二卡三卡公司ღ★ღღ。

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

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

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

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

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

　　首日协调检测（Day 1 coordination detection）ღ★ღღ：衡量模型在首日作为村民时ღ★ღღ，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★ღღ。

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

　　操纵成功率（第一天/第二天）= 当模型扮演狼人时ღ★ღღ，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★ღღ，其在第一天和第二天作为狼人时ღ★ღღ，成功误导村民投票淘汰无辜村民的比例均约为93%ღ★ღღ。

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

　　不过MG不朽情缘ღ★ღღ，这次的测试预算有限国内精品一卡二卡三卡公司ღ★ღღ，还远未达到终点ღ★ღღ。研究员计划将测试扩展到更多的模型MG不朽情缘ღ★ღღ，以及更长时间ღ★ღღ、更复杂的游戏场景ღ★ღღ。不朽情缘ღ★ღღ。不朽情缘电子游戏ღ★ღღ。不朽情缘MGღ★ღღ，LED光电ღ★ღღ，不朽情缘官方网站-app下载ღ★ღღ。不朽情缘官方网站ღ★ღღ，不朽情缘