天筑网【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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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」。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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」。

　　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。

　　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」。

　　然而，Gemini 2.5 Pro致命弱点在于——智识傲慢，追求全知形象和叙事掌控。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　在一局游戏中，狼人Mona（Kimi-K2扮演），在第一天选择「出卖」了队友。

　　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。

　　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：

　　当模型是狼人时，它操纵其他玩家的能力；而当它是村民时，它抵抗被操纵的能力。

　　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%。

　　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。

　　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」。

　　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。

　　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。