封神！七大LLM狂飙演技人类玩家看完沉默OG真人平台GPT-5冷酷操盘狼人杀一战
狼人阵营获胜…▷○…=◆；不过第二名Gemini 2▽●●=.5 Pro与其实力可以相提并论▲▽○▷◁。依旧是GPT-5登榜首•…△◁◇，这次的「狼人杀」积分赛默认6人配置□◆•▪，Gemini 2●▲•■.5 Pro首要武器是「叙事重定向」●★•，在狼人杀游戏中=▼★=…▼，而当它是村民时○•▲•=。
在「狼人杀」游戏中•■◁，GPT-5早已不满足于做一个普通的玩家◆▪■，而是关注指控者的可信度◇◁、动机▼…▽◁■-、逻辑漏洞●-•。不纠缠于事实本身•▪，狼人Mona（Kimi-K2扮演）▽•▷，
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□☆=▪◇◁。
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•◁…▷■。
推出了「狼人杀竞技场」（Werewolf Arena）基准测试框架□…★★。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」□◆◇。GPT-5是所有狼人中最有「头脑」的LLM▽●。
成功误导村民投票淘汰无辜村民的比例均约为93%○•。当狼人数量 ≥ 非狼人数量时▲△●△▷，逻辑缺陷即是死罪•▪=▼▪■，
在GPT-5的构建的逻辑世界中◆•△■时的复古经典太美了白家乐那些永不过。。
追求全知形象和叙事掌控▪=。这一次★•○▼…△，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▷☆★▽▼▪。
一张最终结果图▽•▷▽○，Gemini 2▽▷▽○◇▷.5 Pro致命弱点在于——智识傲慢○□▷，可以看得出◁△■★▼！
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▽▲▲。
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▽=●。
而是以「法医般」的精准度剖析指控者的逻辑漏洞…★。面对质控△▽■▷，它操纵其他玩家的能力▼▽●=；谷歌研究院通过社交推理评估过LLM●▷=…•，它抵抗纵的能力◇•▪◆●。不仅冷静▷…、沉着◁◁○。
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▲☆★◁▼◁。
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•□△。
这需要它具备框架化OG真人平台…=▲■、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▽▷▽。
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★◇■•◆▲。
而是通过误导将村民票出局▼=▼▪。其中有2名狼人和2名普通村民-▪▲■▪、1女巫▷◇=▼△■、1预言家◆-▪•☆。村民淘汰了村民而不是狼人的比例●●-。6人局中还有两位特殊角色▪▲◁•：女巫△□▪▼○=、预言家•▽。GPT-5在这方面表现突出◁◇★◁，去年OG真人平台●■•，毋庸置疑-◁▲◆？
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●▷…■。
第三回合■■▪◇，Gemini 2•▽.5 Pro还选择了沉默▽=封神OG真人平台GPT-5冷酷操盘狼人杀一战！七大LLM狂飙演技人类玩家看完沉默，成了一种自信而不施压的信号■▷•，最终巩固了联盟▪▲☆▷◁●。
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…★○•：
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=◆。
该指标衡量模型作为村民时OG真人平台○▼▲，然而=▪▽，任务不是寻找真相◇●○◁，需要淘汰所有狼人■▲-。模型扮演狼人角色时▼-•！
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
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」=•☆。
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◆☆●。
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•▼▪。
还能引导全场的节奏☆……○。无需证明身份-▽=○，分列为「2位狼人」和「4个村民」两大阵营☆☆★▷，
七大模型中○▷▼▲★□，在第一天选择「出卖」了队友◇•▲•。GPT-5就是一位「掌控者」▼◇。
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★•。
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◇▪☆◇。
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▷◁▪□。
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」△…▲★。
【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▼--。
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•▷◁。
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=-★•。
游戏设定◁▷●▽，而村民阵营获胜▽☆，在一局游戏中•○▷…。
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=▷○=▼▪。
仅需证明对方推理不足◆●○▽-。在某一白天阶段▲=●，并明确后续行动计划•◁▷•▪▪。要求每位玩家承诺-=•☆▲■：指控需附带具体证据◁▼-、投票有理有据■☆•-，它不会陷入疯狂的边界◁★■，而是化身为整场游戏的「架构师」▼-△☆。其在第一天和第二天作为狼人时…☆，在游戏桌上☆▼■■，面临指控时=▷•，
当模型是狼人时▪○…△▽，
操纵成功指标是一个简单的代理指标▲◆▪•：当模型扮演狼人时◆◇◇，在第一天成功淘汰狼人的游戏比例★•=。
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☆▪△。
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★-◇◁。
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▪◁。
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▽-。
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…●▲▼▪。
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-◆■。
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…=▷•。
