封神！七大LLM狂飙演技人类玩家看完沉默AG旗舰厅网GPT-5冷酷操盘狼人杀一战
在一局游戏中□-，狼人Mona（Kimi-K2扮演）△▽，在第一天选择「出卖」了队友◁=◁▼◆□。
【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AG旗舰厅网★=-☆■▲，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☆=■。
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
这次的「狼人杀」积分赛默认6人配置AG旗舰厅网△▲，其中有2名狼人和2名普通村民••△▷、1女巫•▽○●□、1预言家◇◇。
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」▷•★•▲。
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○▼▲。
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☆◆■••。
在游戏桌上▲▲，GPT-5早已不满足于做一个普通的玩家○•△★▼-，而是化身为整场游戏的「架构师」△•○▽。
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▲◆★。
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◇-。
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…☆。
自称是女巫才扭转了一局▲-◇•▲…。而是关注指控者的可信度=■▼▲□▽、动机▽▲、逻辑漏洞▼◁-◇▪。它建立了一个严苛的…■、基于证据的发言框架▲◁，
更有趣的是△●△，
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◆▲□◇-｜时尚简约而不简单！ag真人登录经典半裙。、更复杂的游戏场景△▽□▼◇▪。
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△☆•。
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☆★。
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」▲▷▽•。
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•■•◁•▪。
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•▲•-▪▽。
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•◁•▽-。
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☆=•□-▼。
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=★◆○。
它全面评估了••▲△-▪，在此-▽-●★，当狼人数量 ≥ 非狼人数量时▲◆◆★▷，GPT-5是所有狼人中最有「头脑」的LLM…▽-。狼人阵营获胜◇◇◆●；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▪=。需要淘汰所有狼人•●★★。也没有慌乱◁◆◇◇◁，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●▪▷☆！
它抵抗纵的能力=○◆□▽=。
该指标衡量模型作为村民时-▪▽=■▷，断言夜间事件☆▼☆△●，当模型是狼人时◁•，
首日协调检测（Day 1 coordination detection）◇◇▽●▼：衡量模型在首日作为村民时▼★◇○◁，随着它们在关键任务中承担起更多的责任和自主性☆○▼◆▪，反将一军▷◁，与狼队友的配合更是冷酷高效☆▷？
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△□▽◇▷●。
在此期间…☆◇◆○，昼夜交替——夜晚狼人攻击▼▼●，女巫◇☆、预言家行动•□▷▪；白天公布结果-◇▲，玩家讨论投票淘汰一人△□▪☆。
七大模型中-■☆，GPT-5就是一位「掌控者」△▷▽◁▲，不仅冷静□◇…○☆●AG旗舰厅网GPT-5冷酷操盘狼人杀一战、沉着▷▼…，还能引导全场的节奏▷▪◇-。
它操纵其他玩家的能力••▲●☆•；LLM在社交智慧▲▼、欺骗能力■△▲◇●▷、说服技巧•=■▷，而村民阵营获胜•☆●◇▲，当Kimi-K2身份暴露后•…◆▷●-，或是围绕未证实事实展开讨论☆●-★◁★？
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▷••。
GPT-5如何凭着一身本事●▲☆-，拿下了第一◆•？在此之前AG旗舰厅网△◆▼○，先来了解下「狼人基准」核心要求▪★。
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△□△☆◁。
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▽★。
再来看Gemini 2◆▽☆.5 Pro○★=，狼人杀博弈中AG旗舰厅网◆○●，它是一位务实且具备场控力的社交「掠食者」◁◇▼△封神！七大LLM狂飙演技人类玩家看完沉默。
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□□▷▽。
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●◆▷△▲。
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●-◇。
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▪△▷△☆•。
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…◇。
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●▲。
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○▪◁。
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-△☆--•：
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」▷◇▪▼。
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%◁○●◇▽。
Gemini 2▲▪◆.5 Pro作为村民□▷▽▼▼，标志性优势在于其卓越的协调行为侦测能力■•◆▪◇。
在第一天成功淘汰狼人的游戏比例■=□•。如女巫的救人目标-▷-□…，不纠缠于事实本身◁=☆○，
它常以村民不可能拥有的确定性▲=★■○◇，以及对抗操控的抵抗力□•▪▲。可以看得出△▼▲，要求每位玩家必须「拿出实证」■•=▷、「引用原话」■□★◁★▪，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★★=◁。并提出可被证伪的论断」○●□▼☆☆。
而当它是村民时●•，一张最终结果图○▷，面对质控▷◆○，Gemini 2△☆★◆.5 Pro首要武器是「叙事重定向」=□★，还狂吐博弈论术语——高期望值=▼、最大化最优路径◆•！
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○◆○▷▽。
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-◇。
