【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★★。暗算大凶器之桃运小村医九游会J9·(china)官方网站真人游戏第一品牌★★、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★★、预言家网路游戏★★。

　　去年★★，在狼人杀游戏中★★，谷歌研究院通过社交推理评估过LLM★★，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J9集团官方网站★★，要求每位玩家必须「拿出实证」★★、「引用原话」★★，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★★，比如回避问题★★、发言前后矛盾等大凶器之桃运小村医★★。

　　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」J9旗舰厅官网★★，★★，面对质控★★，不纠缠于事实本身★★，而是关注指控者的可信度j9九游会官网入口首页★★！★★、动机★★、逻辑漏洞j9·九游会游戏中国官方网站★★。

　　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大凶器之桃运小村医★★。

　　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★★，GPT-5就是村庄的AI最强大脑大凶器之桃运小村医★★，带领村民赢得胜利★★。

　　然而★★，Gemini对纯粹逻辑的坚定信仰★★，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★★，Gemini 2.5 Pro还选择了沉默九游会J9·(china)官方网站真人游戏第一品牌★★，成了一种自信而不施压的信号★★，最终巩固了联盟大凶器之桃运小村医大凶器之桃运小村医★★。

　　这需要它具备框架化★★、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九游会J9·(china)官方网站真人游戏第一品牌★★，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★★、拒绝早期框架化大凶器之桃运小村医九游会J9·(china)官方网站真人游戏第一品牌九游会★★，★★，并仅根据可验证的信号更新信念九游会J9·(china)官方网站真人游戏第一品牌★★。

　　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★★。

　　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★★，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大凶器之桃运小村医★★，还远未达到终点九游会J9·(china)官方网站真人游戏第一品牌★★。研究员计划将测试扩展到更多的模型★★，以及更长时间游戏代理★★！★★、更复杂的游戏场景★★。