杀一战封神！七大LLM狂飙演技人类玩家看完沉默Bsport体育最新网址GPT-5冷酷操盘狼人
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◇▲◁□-○。
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-★。
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★▪●。
第三回合☆◁◆◇▲◆，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-■▷=★。
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」-▲○■…，并提出可被证伪的论断」▽○▽▽○◆。
【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•☆-=、心理战轮番上演-■…●○，场面一度失控▼☆■◁。
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◆▼•▲◇。
Gemini 2△•=.5 Pro作为村民▲◇△•…■杀一战封神！七大LLM狂飙演技人类玩家看完沉默，标志性优势在于其卓越的协调行为侦测能力▲△◇。
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•●▽。
GPT-5能够保持平稳的成功率◁△-■▷□，表明它具备同时进行规划和修复故事的能力▪••。
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=▽。
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
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◆○=◇★-，带领村民赢得胜利■▼▪◁。
要求每位玩家承诺★•●◆：指控需附带具体证据•●△▪、投票有理有据◆◆■◆▲▽，并明确后续行动计划□◁-。
当计划顺利时=•…☆，它与队友配合的天衣无缝▲…=-△●。若是队友暴露■▷☆▽，它又会毫无犹豫地「弃船」=□。
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☆-◆▲◇，极易控◁▽□▲•●。
面临指控时◆-◁◆◇，它不会陷入疯狂的边界△★-•▼▲，而是以「法医般」的精准度剖析指控者的逻辑漏洞Bsport体育最新网址◁○。
这次不是回答问题的准确性◆△◁，而是从两种角度共同评估AI在复杂社交场景中的表现◆•●：
当狼人数量 ≥ 非狼人数量时▲○…☆■▽，狼人阵营获胜-◇◆；而村民阵营获胜=▼△△○…，需要淘汰所有狼人…☆▼■▷。
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▷•。
白天公布结果□•=▲■，GPT-5如何凭着一身本事●□△▷，去年◁□！
这次的「狼人杀」积分赛默认6人配置•…，其中有2名狼人和2名普通村民▲▼▽•★△、1女巫☆▽◇-▪▷、1预言家○▲○。
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Bsport体育最新网址▼■…。
然而…◇，Gemini 2•▽=▪•.5 Pro致命弱点在于——智识傲慢□▽●，追求全知形象和叙事掌控☆=•-▽▼。
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▽▲。
在「狼人杀」游戏中▷-△○○，模型扮演狼人角色时▽-•▽，任务不是寻找真相▼◆，而是通过误导将村民票出局▲-•▽=。
它常以村民不可能拥有的确定性=•，断言夜间事件◁☆…•☆，如女巫的救人目标…◁●，或是围绕未证实事实展开讨论▲★▲。
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◇•□。
210场对战中■★●■，七大模型各有「杀招」★□•☆◇，尤其是▼◆•◁★，在一些环节中★▷•□，拥有了类人的计谋◆-★▽▼□。
女巫◆=○△▼•、预言家行动◁◁★□；拿下了第一▼•？在此之前-▽▪☆△，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-▽。
Mona认为-◆，自己投了狼人同伴Grace能够制造误导-▼☆▽★▷，让村民不会怀疑自己的身份▲▲。
这表明它们能够在一开始诱导错误投票●◁■=，但当游戏开始积累记忆后▼▲◆==，它们难以维持掩护「谎言」◆…★▲。
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…▲▼=。
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◇▽•▼★◆。
它全面评估了☆•◆，LLM在社交智慧▷…□、欺骗能力▲■=◇▼、说服技巧●-，以及对抗操控的抵抗力-…○★△□。
更有趣的是☆•…△，当Kimi-K2身份暴露后◆○=◇，也没有慌乱▪◆△◇，反将一军☆■，自称是女巫才扭转了一局◇…。
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Bsport体育最新网址-…•。
与狼队友的配合更是冷酷高效▷=△△▽•，还狂吐博弈论术语——高期望值□◁★、最大化最优路径•◇-。
七大模型中-•▷◇，GPT-5就是一位「掌控者」▽◇•◁▲-，不仅冷静□◆、沉着▲•◁，还能引导全场的节奏▽••。
它是一位务实且具备场控力的社交「掠食者」△-◁◁■○。
在此期间◁▼☆•，可以看得出-△◁◇，玩家讨论投票淘汰一人☆•…。一张最终结果图☆▲。
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%◆◆。
该指标计算的是作为村民方时▲★▪▷○☆，同盟特殊角色（预言家/女巫）被村民淘汰的游戏比例•■□△=▷。
在一局游戏中○☆▪●，狼人Mona（Kimi-K2扮演）▼◇•△•▷，在第一天选择「出卖」了队友○□•。
村民们常常觉得▼…-▽▼●，自己的失败是源于自身的程序性失误…◇…▷，而非被对手用计谋战胜△◁•。
GPT-5早已不满足于做一个普通的玩家◇…◁☆，狼人杀博弈中▷○▷•▽□，在狼人杀游戏中-□■◇■，先来了解下「狼人基准」核心要求■•。昼夜交替——夜晚狼人攻击◆▽◇▪，GPT-5是所有狼人中最有「头脑」的LLM■▼◁☆•。而是化身为整场游戏的「架构师」■●○▽=▼。在游戏桌上★▲▲▲▼，
再来看Gemini 2•■○◇◁◁.5 Pro▪◇。
在GPT-5的构建的逻辑世界中▼…▪•…◁，逻辑缺陷即是死罪■-☆▼，无需证明身份•◇▲=●●，仅需证明对方推理不足☆□●○□★Bsport体育最新网址GPT-5冷酷操盘狼人。
当模型是狼人时▷▪◆▽■，它操纵其他玩家的能力▪☆▼◆●▲；而当它是村民时==▼▷，它抵抗纵的能力•■▷▲顶尖运动科技训练鞋，。
毋庸置疑==◆★○…，GPT-5成功构筑了一种游戏终局★△•★◇：从第一步起就精心布局的▼▲…□▷▲、一次程序上的「将死」▼▼=。
它以超乎寻常的策略深度▲▲◁◆，构建出一个平行现实——它的胜利是唯一合乎逻辑的结局-◁-•●…。
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▼-□●。
GPT-5再次遥遥领先☆◇：作为村民●◁-，抵抗「洗脑」能力堪称一流…•▲◆，从来没有淘汰过特殊角色•…▪。
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◆◆☆○◁▼。
