【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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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」。

　　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」。

　　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。

　　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。

　　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小火箭代理使用方法图解。

　　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。

　　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，极易被操控。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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

　　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%。

　　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。

　　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。