【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YY歪歪漫画登录页面免费漫画◈◈ღ。

　　这是最新基准——Werewolf BenchmarkYY歪歪漫画登录页面免费漫画◈◈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◈◈ღ，谷歌研究院通过社交推理评估过LLM◈◈ღ，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mg不朽情缘游戏在线试玩◈◈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◈◈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mg不朽情缘游戏在线试玩◈◈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◈◈ღ。

　　再来看Gemini 2.5 Pro◈◈ღ，狼人杀博弈中◈◈ღ，它是一位务实且具备场控力的社交「掠食者」◈◈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YY歪歪漫画登录页面免费漫画◈◈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mg不朽情缘游戏在线试玩◈◈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mg不朽情缘游戏在线试玩◈◈ღ，而非真正的陈述◈◈ღ。总的来说◈◈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mg不朽情缘游戏在线试玩◈◈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mg不朽情缘游戏在线试玩◈◈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YY歪歪漫画登录页面免费漫画◈◈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◈◈ღ，并仅根据可验证的信号更新信念◈◈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◈◈ღ，在某一白天阶段◈◈ღ，村民淘汰了村民而不是狼人的比例◈◈ღ。

　　操纵成功率（第一天/第二天）= 当模型扮演狼人时YY歪歪漫画登录页面免费漫画◈◈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mg不朽情缘游戏在线试玩◈◈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◈◈ღ。mg不朽情缘试玩◈◈ღ，不朽情缘下载◈◈ღ！不朽情缘官方网站-app下载◈◈ღ！