7个LLM大战210局狼人杀：GPT-5社会推理Elo榜首
RaphaelDabadie · x · 2026-08-30
作者一年前发布的 Werewolf Benchmark 已产出首批结果：让 7 个最强开源/闭源 LLM 作为带工具调用的 agent，进行 210 局狼人杀对局，测试语言对抗场景下的社会智能——实时适应、长上下文管理、结盟、操纵与反操纵。
结果以 角色条件 Elo 排行榜 呈现（区分狼人 Elo 与村民 Elo）：GPT-5 明显领跑，GPT-OSS 垫底（但作者强调入选模型本身都已是狼人杀高手）。项目还引入社会策略指标：自爆率、首日狼人出局率、狼方操纵成功率，以及逐消息的投票摇摆监测用于说服力分析。设计基于 Google Research 的 Werewolf Arena 论文并做了扩展（市长选举与发言顺序协议、角色平衡的系列赛等）。团队正在招募有实力挑战 GPT-5 的模型加入。
「模型」频道最新
- Qwen 在 Layer 2 用 N-gram 丰富 Token 语义 — antirez · 2026-08-30
- Qwen 3.8 Flash Next 用 N-gram 表节省骨干权重 — antirez · 2026-08-30
- Qwen N-gram 机制利用 51B 表增强 Token — antirez · 2026-08-30
- 双 DGX Spark 跑 Qwen3.8-Flash-Next：解码 50t/s、预填充 2900t/s — -dysangel- · 2026-08-30
- Qwen 3.8 Flash Next 架构解析：利用 Next-n-grams 优化推理 — antirez · 2026-08-30
- 实测：GLM 5.3 对 Arctron AI 进行极致优化 — jasonkneen · 2026-08-30