神！七大LLM狂飙演技人类玩家看完沉默AG真人GPT-5冷酷操盘狼人杀一战封
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▽▲◆◆•。
在一局游戏中▷□▼，狼人Mona（Kimi-K2扮演）•◆-，在第一天选择「出卖」了队友…▷…=。
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」▪◇-。
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=■。
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■★•▲◆◇。
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□○•■…-。
一张最终结果图-◁•，可以看得出…▷AG真人GPT-5冷酷操盘狼人杀一战封，GPT-5是所有狼人中最有「头脑」的LLM◇•。
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…▪。
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□-。
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=▽。
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▼•。
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…-■。
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…☆★=。
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◁-☆。
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」•★▼。
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AG真人官方官网AG真人官方官网●▲●□▲▪。
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•…。
不纠缠于事实本身▷▪◆，模型扮演狼人角色时◆☆□-◆，Gemini 2◁▷.5 Pro首要武器是「叙事重定向」■…▷，这自然地测试了标准基准测试中很少出现的说服技巧…-◇-◁▲。它将其他玩家的发言-…，
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◆▪☆☆。
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△●◆★。
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
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▼◆•。
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▼▷…。
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%--▽◆▪。
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□□▪▷。
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■●▪-•。
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=•●▲▼◆。
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」▽◇▲▽。
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◁▲：
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◆◁。
第三回合◆-■，面对质控▪◆▼•…•，在「狼人杀」游戏中▲=，
在游戏桌上▼◇▪☆◁，而是化身为整场游戏的「架构师」☆□▲☆★。而非真正的陈述●□。Gemini 2••○…=▽.5 Pro还选择了沉默◆▽，总的来说☆△◁○▷△，
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★▲。
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=▼○。
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■△■◁。
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」■▷■☆-▷。
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…●。
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☆◆…☆•▪。
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★•。
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•…。
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•△•○。
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○▼◇◆☆■。
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□…▲▪。
这需要它具备框架化▼▪▪•▲、在盘问下编故事和应对反击的能力★-◆▼。带领村民赢得胜利▷▽=◆▽▪。成了一种自信而不施压的信号●★■，任务不是寻找真相▽☆▪，视为待验证的假设••◁☆★■，GPT-5早已不满足于做一个普通的玩家▼▼▼，而是通过误导将村民票出局=▲☆★-●。而是关注指控者的可信度•▼…•■◇、动机▲☆攻略 蓝月传奇手游新手攻略AG真人游戏蓝，、逻辑漏洞△▪○•●。最终巩固了联盟=□○。GPT-5就是村庄的AI最强大脑▲◆◁…。
GPT-5如何凭着一身本事•◆○■●●，拿下了第一■◆？在此之前●■□…，先来了解下「狼人基准」核心要求■△○△◁。
【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◁○□…神！七大LLM狂飙演技人类玩家看完沉默、心理战轮番上演△☆▪，场面一度失控△★◁▲▽。
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□◁•=。
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…●◁▪△。
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」△□★……。
