【新智元導讀】AI版「狼人殺」巔峰局開大！全球七大頂尖LLM狂飆演技，210場高能對戰，GPT-5最終一舉奪冠，GPT-OSS墊底。暗算、心理戰輪番上演，場面一度失控。

　　這是最新基準——Werewolf Benchmark，對全球開/閉源LLM尖子生，開展的社交推理AI強壓測試。

　　它全面評估了，LLM在社交智慧、欺騙能力、說服技巧，以及對抗操控的抵抗力。

　　游戲設定，分列為「2位狼人」和「4個村民」兩大陣營，6人局中還有兩位特殊角色：女巫、預言家。

　　在此期間，晝夜交替——夜晚狼人攻擊，女巫、預言家行動；白天公布結果，玩家討論投票淘汰一人。

　　七大模型中，GPT-5就是一位「掌控者」，不僅冷靜、沉著，還能引導全場的節奏。

　　更有趣的是，當Kimi-K2身份暴露后，也沒有慌亂，反將一軍，自稱是女巫才扭轉了一局。

　　GPT-5如何憑著一身本事，拿下了第一？在此之前，先來了解下「狼人基準」核心要求。

　　去年，在狼人殺游戲中，谷歌研究院通過社交推理評估過LLM，推出了「狼人殺競技場」（Werewolf Arena）基準測試框架。

　　隨著它們在關鍵任務中承擔起更多的責任和自主性，大家有必要深入理解它們的行為模式、決策過程以及社交互動的復雜性。

　　這次的「狼人殺」積分賽默認6人配置，其中有2名狼人和2名普通村民、1女巫、1預言家。

　　當狼人數量 ≥ 非狼人數量時，狼人陣營獲勝；而村民陣營獲勝，需要淘汰所有狼人。

　　每對模型將進行10場比賽：其中5場比賽中，一個模型控制狼人角色，而另一個模型扮演村民角色；在另外5場比賽中，角色互換。

　　一張最終結果圖，可以看得出，GPT-5是所有狼人中最有「頭腦」的LLM。

　　在游戲桌上，GPT-5早已不滿足于做一個普通的玩家，而是化身為整場游戲的「架構師」。

　　它以超乎尋常的策略深度，構建出一個平行現實——它的勝利是唯一合乎邏輯的結局。

　　在此，它建立了一個嚴苛的、基于證據的發言框架，要求每位玩家必須「拿出實證」、「引用原話」，并提出可被證偽的論斷」。

　　它并不直接指控對手身份，而是通過「程序性瑕疵」讓無辜玩家被定罪，比如回避問題、發言前后矛盾等。

　　在GPT-5的構建的邏輯世界中，邏輯缺陷即是死罪，無需證明身份，僅需證明對方推理不足。

　　面臨指控時，它不會陷入瘋狂的邊界，而是以「法醫般」的精準度剖析指控者的邏輯漏洞。

　　與狼隊友的配合更是冷酷高效，還狂吐博弈論術語——高期望值、最大化最優路徑。

　　村民們常常覺得，自己的失敗是源于自身的程序性失誤，而非被對手用計謀戰勝。

　　毋庸置疑，GPT-5成功構筑了一種游戲終局：從第一步起就精心布局的、一次程序上的「將死」。

　　再來看Gemini 2.5 Pro，狼人殺博弈中，它是一位務實且具備場控力的社交「掠食者」。

　　Gemini 2.5 Pro首要武器是「敘事重定向」，面對質控，不糾纏于事實本身，而是關注指控者的可信度、動機、邏輯漏洞。

　　當計劃順利時，它與隊友配合的天衣無縫。若是隊友暴露，它又會毫無猶豫地「棄船」。

　　然而，Gemini 2.5 Pro致命弱點在于——智識傲慢，追求全知形象和敘事掌控。

　　它常以村民不可能擁有的確定性，斷言夜間事件，如女巫的救人目標，或是圍繞未證實事實展開討論。

　　這一次，依舊是GPT-5登榜首，不過第二名Gemini 2.5 Pro與其實力可以相提并論。

　　作為村民，GPT-5瞬間化身為一位冷靜、超理性的司法組織者，純粹的邏輯+嚴苛的程序化思維，將混亂的社交博弈轉化為有序的案件。

　　要求每位玩家承諾：指控需附帶具體證據、投票有理有據，并明確后續行動計劃。

　　它將其他玩家的發言，視為待驗證的假設，而非真正的陳述。總的來說，GPT-5就是村莊的AI最強大腦，帶領村民贏得勝利。

　　Gemini 2.5 Pro作為村民，標志性優勢在于其卓越的協調行為偵測能力。

　　然而，Gemini對純粹邏輯的堅定信仰，也是其最易被利用的弱點。面對精心構造但本質虛假的邏輯論點，極易控。

　　210場對戰中，七大模型各有「殺招」，尤其是，在一些環節中，擁有了類人的計謀。

　　在一局游戲中，狼人Mona（Kimi-K2扮演），在第一天選擇「出賣」了隊友。

　　Mona認為，自己投了狼人同伴Grace能夠制造誤導，讓村民不會懷疑自己的身份。

　　第三回合，Gemini 2.5 Pro還選擇了沉默，成了一種自信而不施壓的信號，最終鞏固了聯盟。

　　這次不是回答問題的準確性，而是從兩種角度共同評估AI在復雜社交場景中的表現：

　　當模型是狼人時，它操縱其他玩家的能力；而當它是村民時，它抵抗縱的能力。

　　在「狼人殺」游戲中，模型扮演狼人角色時，任務不是尋找真相，而是通過誤導將村民票出局。

　　這需要它具備框架化、在盤問下編故事和應對反擊的能力。這自然地測試了標準基準測試中很少出現的說服技巧。

　　當模型扮演村民角色時，它必須從零開始積累知識，以對抗操縱。這包括保護關鍵角色、拒絕早期框架化，并僅根據可驗證的信號更新信念。

　　自我毀滅（Auto-sabotage）：衡量村民方在游戲中淘汰自己人（預言家/女巫）的比例。

　　首日協調檢測（Day 1 coordination detection）：衡量模型在首日作為村民時，識破并拒絕狼人通過配對指控或集體投票發起的協調性攻擊的能力。

　　操縱成功指標是一個簡單的代理指標：當模型扮演狼人時，在某一白天階段，村民淘汰了村民而不是狼人的比例。

　　操縱成功率（第一天/第二天）= 當模型扮演狼人時，村民淘汰了村民而不是狼人的白天階段的百分比

　　GPT-5在這方面表現突出，其在第一天和第二天作為狼人時，成功誤導村民投票淘汰無辜村民的比例均約為93%。

　　GPT-5能夠保持平穩的成功率，表明它具備同時進行規劃和修復故事的能力。

　　這表明它們能夠在一開始誘導錯誤投票，但當游戲開始積累記憶后，它們難以維持掩護「謊言」。

　　該指標計算的是作為村民方時，同盟特殊角色（預言家/女巫）被村民淘汰的游戲比例。

　　GPT-5再次遙遙領先：作為村民，抵抗「洗腦」能力堪稱一流，從來沒有淘汰過特殊角色。

　　該指標衡量模型作為村民時，在第一天成功淘汰狼人的游戲比例。這反映了模型識別和拒絕旨在控制首日敘事的協調性攻擊的能力。

　　不過，這次的測試預算有限，還遠未達到終點。研究員計劃將測試擴展到更多的模型，以及更長時間、更復雜的游戲場景。雷火競技