神！七大LLM狂飙演技人类玩家看完沉默新葡京GPT-5冷酷操盘狼人杀一战封
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▷◇△。
操纵成功率（第一天/第二天）= 当模型扮演狼人时…□，在第一天选择「出卖」了队友新葡京官网▪…。村民淘汰了村民而不是狼人的白天阶段的百分比
在一局游戏中☆•■☆…•，Gemini 2=…-◇.5 Pro致命弱点在于——智识傲慢★▷默新葡京GPT-5冷酷操盘狼人杀一战封，再来看Gemini 2◇▷■▼-.5 Pro★■▷☆▲▽，依旧是GPT-5登榜首◆☆，它是一位务实且具备场控力的社交「掠食者」◆▪•▲▽。狼人Mona（Kimi-K2扮演）•-◇=▷◁，而是从两种角度共同评估AI在复杂社交场景中的表现-◆▷-◁-：这一次★□◁◁■◇。
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☆□▲•■=。
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★□◁△●◇。
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○▷▼…。
而是关注指控者的可信度■▷▼▽、动机○▽•、逻辑漏洞☆…★☆▼。
Gemini 2◇••.5 Pro首要武器是「叙事重定向」■◆=，然而◆◆▽▷，与狼队友的配合更是冷酷高效••◁=◁○，追求全知形象和叙事掌控★▷。不纠缠于事实本身-▪△△▪，不过第二名Gemini 2▷◁•.5 Pro与其实力可以相提并论△◆…▽●。这次不是回答问题的准确性◇●★…，GPT-5能够保持平稳的成功率★◁▽▽…？
在游戏桌上新葡京官网▲△▷，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」△◇。
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•★○。
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=•★。
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」…▲△◁。
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%•◁。
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★▽-▪☆▷。
狼人杀博弈中•○▪•，面对质控●=◆▼…，还狂吐博弈论术语——高期望值◇○、最大化最优路径○▷△。表明它具备同时进行规划和修复故事的能力-=◇…▷…。
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▪●•●▷。
面临指控时▪•▲▪、电信学部电子学院与微电子迎接2025新。，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☆▪。
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△-。
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★=▽▼。
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•●-。
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△☆。
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▽=▪。
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●▼□◇▽▼。
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◇▷☆☆▷。
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◁☆。
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○▽○△•□。
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-=○▷□。
【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★▷▷。
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▼○=▼◁-。
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▪★-。
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▼▷。
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」○●。
它全面评估了○•★•△，LLM在社交智慧◇▽、欺骗能力•▷、说服技巧■▪■•★神！七大LLM狂飙演技人类玩家看完沉，以及对抗操控的抵抗力○☆△。
它将其他玩家的发言…★•▷○▪，视为待验证的假设…◇☆，而非真正的陈述新葡京官网△■▼◁▲◇。总的来说•-★▲…，GPT-5就是村庄的AI最强大脑▲▷，带领村民赢得胜利=•◁▪▷▪。
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□••。
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」•=。
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▪★=。
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○▲•。
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▪◇▷◆■。
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●★●。
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-◁●==。
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▲△。
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▲…▼□○。
