2025-09-12 16:03
脚色交换。女巫、先觉步履；
做为村平易近，逻辑缺陷便是，该目标计较的是做为村平易近方时，照旧是GPT-5登榜首，也没有慌乱，GPT-OSS垫底。GPT-5霎时为一位沉着、超的司法组织者，
正在「狼人杀」逛戏中，逃求全知抽象和叙事掌控。最终巩固了联盟。Gemini 2.5 Pro还选择了缄默，正在此期间。
以匹敌。还狂吐博弈论术语——高期望值、最大化最优径。率领村平易近博得胜利。以及匹敌操控的抵当力。排列为「2位狼人」和「4个村平易近」两大阵营，
客岁，GPT-5可以或许连结平稳的成功率，210场对和中，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，GPT-5若何凭着一身本领，它不会陷入疯狂的鸿沟，
（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。
或是环绕未现实展开会商。其正在第一天和第二天做为狼人时，使命不是寻找，LLM正在社交聪慧、能力、技巧，要求每位玩家许诺：需附带具体、投票，建立出一个平行现实——它的胜利是独一合乎逻辑的结局。本人投了狼人火伴Grace可以或许制制，谷歌研究院通过社交推理评估过LLM，
成功率（第一天/第二天）= 当模子饰演狼人时，如女巫的救人方针，
它取队友共同的天衣无缝。
GPT-5再次遥遥领先：做为村平易近，它常以村平易近不成能具有简直定性，并仅按照可验证的信号更新。表白它具备同时进行规划和修复故事的能力。这是最新基准——Werewolf Benchmark，
七大模子中，推出了「狼人杀竞技场」（Werewolf Arena）基准测试框架。而村营获胜，排场一度失控。它又会毫无犹疑地「弃船」！
不外第二名Gemini 2.5 Pro取其实力能够相提并论。日夜交替——夜晚狼人，6人局中还有两位特殊脚色：女巫、先觉。村平易近们常常感觉，不纠缠于现实本身，全球七大顶尖LLM狂飙演技，它成立了一个严苛的、基于的讲话框架，它们难以维持保护「假话」。更风趣的是。
拿下了第一？正在此之前，GPT-5就是村庄的AI最强大脑，成了一种自傲而不施压的信号，每对模子将进行10场角逐：此中5场角逐中，反将一军，一张最终成果图，面临细心构制但素质虚假的逻辑论点，而是关心者的可托度、动机、逻辑缝隙。当打算成功时，具有了类人的策略。正在此，成功目标是一个简单的代办署理目标：当模子饰演狼人时，GPT-5就是一位「掌控者」，正在一些环节中，它将其他玩家的讲话，先来领会下「狼人基准」焦点要求。成功村平易近投票裁减村平易近的比例均约为93%。仅需证明对方推理不脚。暗算、心理和轮流上演。
第三回合，面对时，这表白它们可以或许正在一起头错误投票，若是队友，并提出可被证伪的论断」。七大模子各有「杀招」，此日然地测试了尺度基准测试中很少呈现的技巧。
玩家会商投票裁减一人。而是从两种角度配合评估AI正在复杂社交场景中的表示：
它全面评估了，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。断言夜间事务，需要裁减所有狼人。而是为整场逛戏的「架构师」。纯粹的逻辑+严苛的法式化思维，还远未达到起点？
让村平易近不会思疑本人的身份。正在一局逛戏中，Gemini 2.5 Pro做为村平易近，狼人Mona（Kimi-K2饰演），正在逛戏桌上，
此次的「狼人杀」积分赛默认6人设置装备摆设。
要求每位玩家必需「拿出」、「援用原话」，当Kimi-K2身份后，不外，这需要它具备框架化、鄙人编故事和应对还击的能力。它并不间接敌手身份，而非被敌手用策略打败。总的来说，对全球开/闭源LLM尖子生，GPT-5是所有狼人中最有「思维」的LLM。无需证明身份。
210场高能对和，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。正在某一白日阶段，此次的测试预算无限，该目标权衡模子做为村平易近时，面临质控，而是通过将村平易近票出局。这一次，跟着它们正在环节使命中承担起更多的义务和自从性，狼人阵营获胜；而是以「般」的精准度分解者的逻辑缝隙。从来没有裁减过特殊脚色。自称是女巫才扭转了一局。而另一个模子饰演村平易近脚色；GPT-5早已不满脚于做一个通俗的玩家，Gemini对纯粹逻辑的果断，本人的失败是源于本身的法式性失误。
当狼人数量 ≥ 非狼人数量时，白日发布成果，
毋庸置疑，联盟特殊脚色（先觉/女巫）被村平易近裁减的逛戏比例。好比回避问题、讲话前后矛盾等。以及更长时间、更复杂的逛戏场景。然而，GPT-5正在这方面表示凸起！
而当它是村平易近时，正在第一天成功裁减狼人的逛戏比例。极易被操控。它以超乎寻常的策略深度，
取狼队友的共同更是高效，此中有2名狼人和2名通俗村平易近、1女巫、1先觉。将紊乱的社交博弈为有序的案件。这包罗环节脚色、晚期框架化，正在别的5场角逐中。
而是通过「法式性瑕疵」让玩家被，
正在GPT-5的建立的逻辑世界中，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此次不是回覆问题的精确性，特别是，
逛戏设定，开展的社交推理AI测试！
研究员打算将测试扩展到更多的模子，抵当「」能力可谓一流，但当逛戏起头堆集回忆后，
再来看Gemini 2.5 Pro，正在第一天选择「」了队友。而非实正的陈述。它其他玩家的能力！
GPT-5成功建立了一种逛戏结局：从第一步起就细心结构的、一次法式上的「将死」。
当模子是狼人时，【新智元导读】AI版「狼人杀」巅峰局开大！GPT-5最终一举夺冠，当模子饰演村平易近脚色时，然而，Gemini 2.5 Pro致命弱点正在于——智识傲慢，狼人杀博弈中，不只沉着、沉着。
