19 个 LLM 打 376 局 Codenames 类游戏：猜词比出题更决定胜负
Hardicecream17 · reddit · 2026-10-31
Word Spies（类 Codenames 桌游）作者让 19 个 LLM 两两组队对打，共 376 局，得出几项反直觉结论：
- Gemini 和 GPT 系列出题与猜词都最强，猜对率 85-93%；Claude 系列出题明显偏弱，出乎作者意料。
- 猜得更好的队伍赢下 68% 的对局，而出题质量更高的队伍只赢 53%——猜测能力比出题能力更关键。
- 激进出 clue 会输：一方单条线索贪更多词时，287 局中只赢 38%。
- 先手无优势（还多一个要猜的词）。
出题质量评分用 embeddings 加两个不看答案的 LLM 评审（Llama 4 Maverick、Qwen3-VL），但评审模型弱于被评模型，作者因此更信任胜率而非评分。作者承认样本不均衡（每模型 18-152 局）且两组推理设置不同，只能组内比较，并提问如何改进评测、任务是否接近饱和。
「模型」频道最新
- 「Claude Fable 5」8TB 权重泄露疑云：技术分析指向伪造骗局 — AccBalanced · 2026-10-31
- NVIDIA 发布 DeepSeek-V4.1-Flash NVFP4 版,体积小 81GB 几乎无损 — AccBalanced · 2026-10-31
- 7 万粉 AI 大 V:质疑者预测失败后总能设新门槛,押注全是相关的 — teortaxesTex · 2026-10-31
- 网友论战：LLM 靠数据标注学打游戏，难以自主泛化到现实 — teortaxesTex · 2026-10-31
- Plus 用户吐槽 ChatGPT：Pro 额度翻倍，我花 20 美元只能看戏 — Intelligent-Pass6641 · 2026-10-31
- 两周日志实测:Qwen 27B 量化越狠思考死循环越多,成功率 92%→78% — Old_Ad_6033 · 2026-10-31