【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 Benchmark房探007郑州ღ◈✿，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◈✿，在狼人杀游戏中房探007郑州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美高梅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」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◈✿、发言前后矛盾等美高梅ღ◈✿。
再来看Gemini 2.5 Proღ◈✿，狼人杀博弈中美高梅ღ◈✿，它是一位务实且具备场控力的社交「掠食者」美高梅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◈✿，视为待验证的假设房探007郑州ღ◈✿，而非真正的陈述ღ◈✿。总的来说房探007郑州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◈✿、拒绝早期框架化美高梅ღ◈✿，并仅根据可验证的信号更新信念房探007郑州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◈✿：当模型扮演狼人时房探007郑州ღ◈✿，在某一白天阶段ღ◈✿，村民淘汰了村民而不是狼人的比例房探007郑州ღ◈✿。
操纵成功率（第一天/第二天）= 当模型扮演狼人时美高梅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◈✿、更复杂的游戏场景房探007郑州ღ◈✿。美高梅MGMღ◈✿，美高梅MGMღ◈✿，科技涂料ღ◈✿，