【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◈◈★◈。暗算第一天就破了英语课代表的处开运体育安全吗◈◈★◈、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开运体育安全吗◈◈★◈，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」开运体育安全吗开运体育安全吗◈◈★◈，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」让无辜玩家被定罪开运体育安全吗◈◈★◈，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」◈◈★◈，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◈◈★◈，不过第二名Gemini 2.5 Pro与其实力可以相提并论第一天就破了英语课代表的处◈◈★◈。

　　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◈◈★◈。总的来说开运体育安全吗◈◈★◈，GPT-5就是村庄的AI最强大脑第一天就破了英语课代表的处◈◈★◈，带领村民赢得胜利◈◈★◈。

　　然而◈◈★◈，Gemini对纯粹逻辑的坚定信仰第一天就破了英语课代表的处第一天就破了英语课代表的处◈◈★◈，也是其最易被利用的弱点◈◈★◈。面对精心构造但本质虚假的逻辑论点◈◈★◈，极易被操控◈◈★◈。

　　第三回合第一天就破了英语课代表的处◈◈★◈，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开运体育安全吗◈◈★◈、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◈◈★◈，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◈◈★◈，村民淘汰了村民而不是狼人的比例第一天就破了英语课代表的处◈◈★◈。

　　操纵成功率（第一天/第二天）= 当模型扮演狼人时◈◈★◈，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%◈◈★◈。

　　该指标衡量模型作为村民时开运体育安全吗◈◈★◈，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◈◈★◈，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◈◈★◈、更复杂的游戏场景◈◈★◈。全国500强企业国际新闻新能源动力系统◈◈★◈，开云体育app◈◈★◈。开云体育app下载◈◈★◈。