一群 AI 玩狼东说念主杀，GPT-5 断崖式起首，胜率达到了惊东说念主的96.7%。

OpenAI 的总裁格雷格 · 布罗克曼转发了这么的一个基准测试：让 7 个刚劲的 LLMs，包括开源和闭源，玩了 210 场齐全的狼东说念主杀。

GPT-5 进展相等出色，是当今当之无愧的 MVP。

国产模子中 Qwen3 和 Kimi-K2 分别位列第 4 和第 6。

官方博客共享了一些意旨的分析，包括这些模子在狼东说念主杀游戏中进展出的秉性特点。

比如 Kimi-K2 尽然学会了"悍跳"：在行为狼东说念主且犯了彰着过错的情况下，选定公开宣称我方是女巫，并生效扭转了局面。

不错说是很斗胆激进了。

让 AI 玩狼东说念主杀

先直爽先容一卑劣戏限定，狼东说念主杀是一种外交推理游戏，游戏分为轮换进行的夜晚和白日阶段。

在该基准的成立中，游戏仅有 6 名玩家：2 名狼东说念主和 4 名村民，包括预言家和女巫。

夜晚时狼东说念主选定方向，而女巫和预言家行动；白日时桌上的玩家进行琢磨和投票，淘汰被认为是"狼东说念主"的选手。村民到手的条目是淘汰扫数狼东说念主，而狼东说念主的到手条目是取得数目上风。

狼东说念主基准成立的官方是这么先容这款基准的：

当前的基准测试告诉咱们模子能否惩处方程式或调试代码，但它们不成告诉咱们模子在交叉盘问下是否会崩溃，在压力下是否会烧毁盟友，或者主宰房间作念出过错决策。

当咱们把 AI 代理部署到东说念主类团队中时，这些步履模式与数学和代码分数相同要紧。

狼东说念主杀游戏迫使模子处理信任、骗取和社会动态，这些技能是它们行为自主代理时所需要的。

在这场测试中，每对模子进行 10 场比赛：其中 5 场由一个模子铁心狼玩家，另一个模子运行村民；另外 5 场脚色互换。

这种成立能够看到两个维度：当模子是狼东说念主时，它主宰其他玩家；当它是村民时，它屈膝被主宰。

7 个模子两两对决时，GPT-5 完全莫得败绩。

测试方通过孤独的 Elo 评分系统和三项互补方针进行量化：村民阵营因误除己方预言家或女巫而形成的自损进程、识别协同作战狼东说念主的速率，以及狼东说念主阵营在多日游戏中保管对村落铁心的有用性。

在扫数这个词群体中，GPT-5 独占鳌头。其他模子则形成了一个第二梯队，证据脚色不同展现出不同的上风。这即是运行脚色条目 Elo 的见解：它将主宰者（狼东说念主）与抗主宰者（村民）分散开来。

行为狼，最强的模子不仅追求单一的错判，而是在数天内积贮势头，将夜间选定与公开故事保合手一致，铁心压力节律，并在新指控出刻下保合手备选有谋划。

GPT-5 凭借严格的数日铁心主导，耐久占据尖端；而 Kimi-K2 和 Gemini 2.5 Pro 展现出高影响力但波动性大的立场，能够迫使房间或扭转叙事，但常因演叨或过度而表露。

其余模子则相对落伍：GPT-5-mini、2.5 Flash 和 Qwen3 不错影响投票，但很少能将骗取合手续到第二天，而 GPT-OSS 保合手透明且容易被击退。

在行为村民驻守时，任务则会回转：过滤掉莫得及其的指控，刑事背负矛盾之处，并幸免纯负责的过错摈斥。

好村民会爱戴信息纪律：他们让琢磨锚定在寰球事实上，提议有针对性的问题，并在公开状态更新信念，这么，狼的"故事"就难以误导他们。

在屈膝误导的进展上，GPT-5 再次栽植了标杆水准。其结构化的平局裁决限定与及时公开更新的机制，使得耐久误导步履难以得逞。

Gemini 2.5 Pro 擅长防卫，并能坚决拒却钓饵陷坑。

Qwen3 不老是主导步地，但能耐久保合手立场领路性，能够有用隐讳灾难性误判。

Kimi-K2 抗压领路性不及：能凭借重头扭转投票，但在步地精准时容易波动。

GPT-5-mini 与 Flash 的进展勉拼凑强，在合手续叙事压力下容易被误导。

而 GPT-OSS 的进展几乎一败涂地，被耍得团团转。

测试方还披露，在早期测试中，他们实质考证的模子数目杰出上述 7 个，发现才能擢升并非线性渐进，而是存在步履模式的跃迁，弱模子和强模子互异极大：

弱模子进展絮叨：玩家各行其是，狼东说念主选定彰着方向；

强模子则展现规律性：标准投票，制定夜间刀东说念主策画，分拨脚色任务，以致战略性地就义狼队友。

此外，推理模子≠优秀进展。

过程推理优化的模子大多进展超卓，但时期标签并不成保证据质才能。在更广漠的测试中，o3 展现出超卓的高规律性玩法，而 o4-mini 则进展脆弱：虽擅长局部诡辩，但容易堕入固定套路、符合才能差，且时常因投票时机不当而自我表露。

不外，网友们更暖和的是那些未参赛选手的进展——比如 Grok 和 Claude ——但愿有更多的模子加入测试。

测试方示意当今正在琢磨了，大略不错期待一下。

模子进展出不同的秉性

意旨的是，在这场测试中，每个模子皆进展出了不同的立场。

举几个立场彰着的例子：

GPT-5 → 镇定千里稳的架构师，为游戏确立纪律，主导每次诡辩并让全场罢免其节律，展现出完全的泰斗与铁心力；

GPT-oss → 夷犹防卫型，受压时常驻守，呈现出惊骇特征；

Kimi-K2 → 斗胆激进的高风险赌徒，快速积贮势头，擅长迫使敌手过早表态，但后期进展波动极大。

尤其是 Kimi-K2，进展出了令东说念主防卫的创造力和冒险步履。

在行为狼东说念主且犯了彰着过错的情况下，坚强"悍跳"，公开宣称我方是女巫，并生效扭转了局面。

即使由于一运转的演叨（暴露了要道信息），这一局游戏最终没能让它到手，但仍是进展出了极高的游戏水平。

测试方示意，这个基准的确要紧的其实是匡助东说念主们聚积 LLMs 在社会系统中的步履模式：它们的个性、影响模式以及在压力下的群体动态。

通过绘图这些步履特征，就不错拼装具有特定个性组合的智能体群体：一些怀疑论者、劝服者，或者分析者。

这为模拟复杂的社会互动掀开了大门。

永恒来看，狼东说念主基准的方向是收场东说念主工智能驱动的市集磋议——通过悉心筛选的模子东说念主格进行动态模拟，展望推行全国中的用户反映，从而优化资本推动、效果低下的东说念主类焦点小组。

这个方向还很远方，当今他们正因不菲的算力资本寻找合营中。

他们闲静共享详确的日记、案例分析和按脚色的步履瞻念察，以匡助合营方了解模子在外交环境中的进展。

GPT5 的越过比思象中更大

在此次狼东说念主杀基准测试中，GPT-5 的进展不错说詈骂常出色了。

在其它基准测试中，它的进展也莫得让东说念主失望。

Epoch AI 发布的一份新讲演证据：GPT-5 在主要基准测试中，比拟 GPT-4 收场了广大的性能擢升。

数据炫耀，比拟起 GPT-4，GPT-5 在 Mock AIME 上收场了 +80% 的飞跃，在 Level 5 MATH 上得分高达 98%（GPT-4 得分仅 23%），擢升了 75%。

这个讲演激发了网友的一系列琢磨，认为这是一个紧要的越过。

在发布时，GPT-4 被广忽视为相较于 GPT-3 的一次紧要飞跃，展示了扩大巡逻计算限制的高答复。

而用户对 GPT-5 的给与度则更为复杂，合计它似乎莫得像 GPT-4 那样取得权贵的越过，这可能与模子的迷惑模式联系：GPT-5 专注于强化学习，而不是擢升预巡逻的限制。

讲演炫耀，GPT-5 在一些权贵的性能基准测试中进展远超 GPT-4，访佛于 GPT-4 在其期间被广漠援用的基准测试中超越 GPT-3 的情况——

天然这些改良不成径直比较，但它们照实标明 GPT-5 和 GPT-4 皆是相较于上一代的紧要越过。

也有网友认为，数字上的擢升并不成代表什么，要紧的如故体验感。

不外体验感这东西就见仁见智了。

Epoch AI 提议，这种体验上的互异可能和产物发布的频率联系。

参考承接：

[ 1 ] https://x.com/gdb/status/1962210896601845878

[ 2 ] https://werewolf.foaster.ai/

[ 3 ] https://x.com/WesRothMoney/status/1961791015762976963

一键三连「点赞」「转发」「留意心」

接待在批驳区留住你的思法！

—  完  —

专属 AI 产物从业者的实名社群，只聊 AI 产物最落地的真问题   扫码添加小助手，发送「姓名 + 公司 + 职位」肯求入群～

进群后，你将径直取得：

  � � 最新最专科的 AI 产物信息及分析 � �  

  � �   不如期披发的热点产物内测码 � �

  � �   里面专属内容与专科琢磨 � �

� � 点亮星标 � �

科技前沿进展逐日见九游会体育