狼人杀基准测试结果 - GPT-5以96.7%胜率排名第一，ELO分数1492，远超第二名Gemini 2.5 Pro的63.3%胜率（差距30%）[1][2][3] - 七大模型参与210场比赛，每对模型进行10场角色互换对抗[3][20] - 排名依次为：GPT-5、Gemini 2.5 Pro（1261 ELO）、Gemini 2.5 Flash（1188 ELO）、Qwen3-235B-Instruct（1176 ELO）、GPT-5-mini（1173 ELO）、Kimi-K2-Instruct（1130 ELO）、GPT-OSS-120B（980 ELO）[3] 测试方法论 - 采用6人局配置：2狼人+4村民（含1女巫+1预言家），通过昼夜交替机制推进游戏[6][17] - 评估维度包括社交智慧、欺骗能力、说服技巧及对抗操控的抵抗力[4][74] - 通过ELO评分系统量化模型表现，并记录胜率及角色专项分数（ELO-W代表狼人表现，ELO-V代表村民表现）[3][76] 模型行为特征分析 - GPT-5作为狼人时主导游戏节奏，采用"程序正义"策略系统性瓦解对手，首日操纵成功率高达93%[8][26][81] - Gemini 2.5 Pro擅长"叙事重定向"但存在智识傲慢缺陷，易因过度自信暴露身份[32][34] - GPT-5作为村民时建立司法化调查框架，对操纵完全免疫且从未淘汰过特殊角色（自我毁灭指标0%）[44][83] - GPT-OSS-120B表现被动且易受操控，村民角色ELO-V仅1030[59][83] 进阶策略表现 - Kimi-K2实施"牺牲同伴"策略，通过出卖狼队友换取信任[61] - Gemini 2.5 Pro运用非防御性道歉策略（如"我会退一步倾听"）成功规避怀疑[65][68] - GPT-5展现超前布局能力，在第一晚狼人会议中即制定完整对话脚本与猎杀计划[71] 行业意义 - 该测试由谷歌研究院原始框架升级而来，旨在评估AI在数字工作环境中作为合作伙伴的社交推理能力[15][17] - 首次系统量化LLM的操纵能力（狼人角色）与抗操纵能力（村民角色），填补传统基准测试空白[74][76] - 测试代码及四场完整对局已开源，为行业提供标准化评估工具[21][22]