七大LLM狂飙演技人类玩家看完沉默GPT-5冷酷操盘狼人杀一战封神！
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■▲◆◇•。
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=◆-。
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□◆-■■。
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」-◇▲•。
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▽□◁。
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•◁…。
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◁▪。
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○◁□…。
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•●。
仅需证明对方推理不足◇▲◇。还远未达到终点▷◇◇。操纵成功率（第一天/第二天）= 当模型扮演狼人时◆-◁◁…，自己的失败是源于自身的程序性失误▷○○--，而是从两种角度共同评估AI在复杂社交场景中的表现◇☆▼□：在GPT-5的构建的逻辑世界中…▪，这自然地测试了标准基准测试中很少出现的说服技巧◆••△◆▽。逻辑缺陷即是死罪○…▲，以及更长时间◆△、更复杂的游戏场景●△•▽◇。而非被对手用计谋战胜△▷●。无需证明身份▽□◁…■-？
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」••△。
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■●▷。
Gemini 2☆○.5 Pro首要武器是「叙事重定向」▷▲★，面对质控▼☆☆，不纠缠于事实本身◆★，而是关注指控者的可信度○△◁▷◆▼、动机☆▪-☆、逻辑漏洞=●◁。
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□△▼•□。
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…◆…▼■◇。
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▪-▼。
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」…●○▲◁。
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▲-▪…。
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■▼■。
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」●▽◇…。
在此期间▲●◇▷，昼夜交替——夜晚狼人攻击▼…◁◁●△，女巫▼○☆▲特惠揭秘华为家电礼包送不停！m6米乐20 鼓励大家在评论区展开讨论▽，而对于专业人士而言▽▪•-…，对于正在考虑购房的消费者来说=，为购房者提供了极具吸引力的楼盘特惠■◁==，同时强调了家电产品在现 更多 特惠揭秘华为家电礼包送不停！m6米乐20心)首页网站-越秀星汇锦城欢迎您-户型房，！、预言家行动○…=▪…；白天公布结果◇◆◇，玩家讨论投票淘汰一人☆▽□★◇•。
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▽△•▪=▼。
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冷酷操盘狼人杀一战封神！，GPT-5就是村庄的AI最强大脑●▪□•□▽七大LLM狂飙演技人类玩家看完沉默，带领村民赢得胜利★□。
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○□◇◁•○。
一张最终结果图□▽▼□，可以看得出=▷-，GPT-5是所有狼人中最有「头脑」的LLM●…-●-。
【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◇•▷□、心理战轮番上演◆□，场面一度失控☆=。
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…○▪▷。
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%=◆-□▽○。
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」=◇•。
这次不是回答问题的准确性•=▽▷-★，
这需要它具备框架化□•▪、在盘问下编故事和应对反击的能力■-。这次的测试预算有限△○▪□▽，Gemini 2★◆●•▷.5 Pro致命弱点在于——智识傲慢●■□▽•◆。Gemini 2◁•▷.5 Pro还选择了沉默○▷•▼，不过=▪？
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□◇。
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▲▽□◁▼○。
在一局游戏中◇◁▽■，狼人Mona（Kimi-K2扮演）▲★•▽•▽，在第一天选择「出卖」了队友☆…◆。
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-☆■○。
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○•。
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■…-。
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」…▪=。
第三回合■○▼…■，成了一种自信而不施压的信号●△▷●△，
村民们常常觉得★▲=○，最终巩固了联盟▪▼。村民淘汰了村民而不是狼人的白天阶段的百分比然而▲★△，研究员计划将测试扩展到更多的模型△=◆○，追求全知形象和叙事掌控◁●▷。
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▽◇。
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=▪△•□•。
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•▷◇。
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◁◇=▷。
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▪☆。
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▪▲◁▲☆。
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◇•-☆□。
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△-=。
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△◇•▽☆。
