【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场高能对和，GPT-5最终一举夺冠，GPT-OSS垫底。暗算、心理和轮流上演，排场一度失控。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测试。逛戏设定，排列为「2位狼人」和「4个村平易近」两大阵营，6人局中还有两位特殊脚色：女巫、先觉。客岁，正在狼人杀逛戏中，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。跟着它们正在环节使命中承担起更多的义务和自从性，大师有需要深切理解它们的行为模式、决策过程以及社交互动的复杂性。每对模子将进行10场角逐：此中5场角逐中，一个模子节制狼人脚色，而另一个模子饰演村平易近脚色；正在别的5场角逐中，脚色交换。正在此，它成立了一个严苛的、要求每位玩家必需「拿出」、「援用原话」，并提出可被证伪的论断」。而是通过「法式性瑕疵」让玩家被，好比回避问题、讲话前后矛盾等。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首要兵器是「叙事沉定向」，面临质控，不纠缠于现实本身，而是关心者的可托度、动机、逻辑缝隙。这一次，照旧是GPT-5登榜首，不外第二名Gemini 2。5 Pro取其实力能够相提并论。做为村平易近，GPT-5霎时为一位沉着、超的司法组织者，纯粹的逻辑+严苛的法式化思维，将紊乱的社交博弈为有序的案件。它将其他玩家的讲话，视为待验证的假设，而非实正的陈述。总的来说，GPT-5就是村庄的AI最强大脑，率领村平易近博得胜利。然而，Gemini对纯粹逻辑的果断，也是其最易被操纵的弱点。面临细心构制但素质虚假的逻辑论点，极易被操控。第三回合，Gemini 2。5 Pro还选择了缄默，成了一种自傲而不施压的信号，最终巩固了联盟。这需要它具备框架化、鄙人编故事和应对还击的能力。此日然地测试了尺度基准测试中很少呈现的技巧。当模子饰演村平易近脚色时，它必需从零起头堆集学问，以匹敌。这包罗环节脚色、晚期框架化，并仅按照可验证的信号更新。（Auto-sabotage）：权衡村平易近朴直在逛戏中裁减本人人（先觉/女巫）的比例。首日协调检测（Day 1 coordination detection）：权衡模子正在首日做为村平易近时，并狼人通过配对或集体投票倡议的协调性的能力。成功目标是一个简单的代办署理目标：当模子饰演狼人时，正在某一白日阶段，村平易近裁减了村平易近而不是狼人的比例。成功率（第一天/第二天）= 当模子饰演狼人时，村平易近裁减了村平易近而不是狼人的白日阶段的百分比GPT-5正在这方面表示凸起，其正在第一天和第二天做为狼人时，成功村平易近投票裁减村平易近的比例均约为93%。该目标权衡模子做为村平易近时，正在第一天成功裁减狼人的逛戏比例。这反映了模子识别和旨正在节制首日叙事的协调性的能力。不外，此次的测试预算无限，还远未达到起点。研究员打算将测试扩展到更多的模子，以及更长时间、更复杂的逛戏场景。