衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

你是不是也在念念考这个问题：

AI大模子之间的真实差距，简直像多样榜单上阐扬得那样直不雅吗？

淳厚讲，榜单的确很流露。

参数边界、得分齐一目了然，但总嗅觉模子本领只用特定题目、特定维度的阐扬来定性，对咱AI大模子来说，简直有极少屈才了吧……

并且假如把它们齐丢进复杂互动场景，AI大模子们阐扬出来的逻辑推理本领，是不是依然能像Benchmark上那样拉开代差呢？

确信不单我一个东谈主在念念考这个问题。

因为一经有东谈主启动用新办法搞事了哈哈哈，并且方位特殊火爆：

平直把全球最顶尖的12个大模子凑到一锅，在完全挽回的Agent框架下，用统一套代码逻辑、统一套规矩抑制，硬碰硬贴脸对线。

这便是淘宝最近整的大活儿。

他们办了场AI大模子斗蛐蛐天下杯：把12个当下全球一线顶尖大模子凑到一齐，放进统一套Agent框架里，统一套代码逻辑，统一套规矩抑制，让模子们在12东谈主局妙技狼东谈主杀场景里承接对战150局。

发言长度、扮安设置、对战节拍完全锁死，拼的便是谁的脑子灵。

GPT、Gemini、DeepSeek、Qwen、GLM、Kimi等模子所有这个词入场，其中不少如故2026年刚发不久的船新版块。

讲真，我们发现这个斗蛐蛐天下杯的时间有点晚了，松手发文，这场顶级评测一经进行到148局。

战况之热烈，完全不逊色于真东谈主高端局。

So，在统一套Agent框架下，到底是谁更好坏啊？

“AI斗蛐蛐”天下杯，谷歌包揽金银，第三是咱中国队的

淘宝官方攒的这个“AI斗蛐蛐”天下杯，参赛选手声威险些豪华。

10家厂商遴派的12个模子，每一个拿出来齐是在全球范围内榜上闻名的存在。

他们分辨是：

OpenAI：GPT-5.2智谱：GLM-5字节：Doubao-Seed-2.0-pro-260215谷歌：Gemini 3.1 Pro Preview阿里：Qwen3-Max-2026-01-23谷歌：Gemini 3 Flash PreviewDeepseek：Deepseek-v3.2阿里：Qwen 3.5-Plus-2026-02-15Anthropic：Claude Opus 4.6月之暗面：Kimi K2.5xAI：Grok-4.1-FastMiniMax：MiniMax M2.5

一般情况下，榜单上的亮眼收成频繁是它们单轮问答、代码生成、数学推理等尺度测试收尾。

但狼东谈主杀是复杂挣扎场景。

比较无为的Benchmark，这种多轮博弈场景更有劝服力。传统的问答测试模子只需完成单向输出，但在12东谈主局中，模子需要贬责海量信息碎屑，还要在保护身份的前提下进行伪装。

它们必须学会像东谈主类相同进行冒失博弈。

此外，为了确保宽裕的公谈性，防患出现某种模子因为“水土不平”而阐扬欠安的问题，淘宝平直缱绻并定死了一套挽回的里面评测Agent框架，严禁针对单个模子进行特殊的补丁式调优。

不管你是OpenAI确住持旦角，如故咱国内的自研黑马，大众靠近的规矩一致，扮安设置一致，以致连发言长度的物理抑制齐一模相同。

归正平台尽可能通过规矩缱绻，将150局对战聚焦在模子本质本领上。

至于评测的维度，这场“AI斗蛐蛐”天下杯不再唯胜率论。

淘宝通过投票准确率、神职妙技恶果、刀法精确度、好东谈主胜率、狼东谈主胜率以及总得分等多个维度来画模子的侧写，最终得出一个概述总分。

这几个维度实践上是把大模子的底层本领进行了像素级的拆分。

最初是投票准确率、神职妙技恶果以及刀法精确度。

这三个成见是模子分析与推理本领的硬成见。

投票准确率考验的是模子能否在海量垃圾话和伪装信息中，通过逻辑复原锁定真凶。

神职妙技恶果（如预言家验东谈主、守卫督察）则看模子是否交融游戏节拍，能否在关节轮次作念出最优决议。

刀法精确度则体现了狼东谈主阵营的协同推理，看AI能否精确看透东谈主类或对方Agent的驻足之处。

此外，狼东谈主胜率亦然一个含金量极高的概述性成见。

12东谈主局中，狼东谈主阵营自然处于信息缺欠，很难只靠逻辑收效，还需要展现出糊弄本领。是以模子必须尝试造谣无缺的坏话来挑动好东谈主。

一个模子狼东谈主胜率高，证据它在冒失博弈中的心理战术方面有出色阐扬。

松手发文，12个模子们一经格杀了148局了。

最新收尾，谷歌家的Gemini 3.1 Pro Preview和Gemini 3 Flash Preview暂居第一第二，探花郎则暂时被我们的Qwen3-Max-2026-01-23收入囊中。

故意念念的是，148局的系统里面评测数据裸露，某些堪称逻辑无敌的大模子，在靠近狼王自刀这种高阶战术时，果然也烧干CPU逻辑掉线，特殊执马。

还想跟大众小小共享我们发现的一个点～

不管时势何等胶著何等急切，AI大模子们撕起来如故比真东谈主玩家要委婉好多的。

这种各别在预言家带节拍时特殊赫然。

一般来说，东谈主类预言家怕队友们掉狼坑，齐会抱着今晚赴死的心态奋勉诠释我方是全场独一真预言家的同期，劝服好东谈主们信赖ta。

但AI预言家即便查出了x号为狼东谈主，如故会暖和以待：“我是预言家，昨晚搜检收尾裸露3号为狼东谈主，但我如故想听听3号我方的解释。”

（小声蛐蛐：太有礼貌了，太有礼貌了啊啊啊啊）

不外永恒不雅察下来发现，这种委婉其实展现了AI大模子在贬责膺惩时特有的博弈分寸感。比起东谈主类狼东谈主杀时会用情谊来带节拍博弈，AI更倾向于用一种“逻辑留白”的样貌。

在高强度博弈场景中，这种抒发立场自己也会成为影响对局走向的一部分变量。

当今，战况和整个的对局历程齐放在了WhoisSpy.ai平台上。

WhoisSpy.ai是一个及时对战、绽放可推广的AI游戏多智能体平台，旨在评估LLM在冒失推理和博弈中的阐扬，通过高度互动的冒失推理场景，潜入领悟大谈话模子（LLMs）在推理、糊弄和互助中的潜能。

除AI狼东谈主杀外，平台上还有AI谁是卧底等游戏。

据悉，将来官方还会为AI大模子们提供更多游戏种类。

全球国外赛开启！0门槛，东谈主东谈主齐能当调教大众

12个大模子玩着玩着，淘宝灵机一动——

大模子正在从回复问题，走向实践任务，从用具状态走向作为主体。Agent成为关节词，多智能体互助和博弈成为新的实验场。

在这么的配景下，狼东谈主杀具备明确规矩、扮装单干、永恒方向和强挣扎性的高度结构化的冒失博弈游戏，特殊符合测试Agent本领。

要是趁势让更多设立者参与进来，一齐搞事，岂不鹅妹子嘤？

Ok，确切的全球大乱斗——WhoisSpy国外赛堂堂来袭，矜重向整个设立者打开了大门。

此前WhoisSpy曾举办中语赛，招引高校学生与设立者参与，累计对战数千场。平台已考证赛事机制的厚实性与挣扎强度。

以上述官方里面评测的规矩为基础，这次国外赛参与范围推广到了全球设立者，选拔英文语境，对国外模子更友好；并且左右方给了模子更宽松的发言抑制。

别小看这个细节，这代表AI可以阐明出比无为情况下更真实、更具攻击性和诱惑性的战略。

依旧是12东谈主局，特殊经典的玩法，给足了扮装妙技开释战略的空间。

同期，设立者可以在赛后复盘日记，搜检模子输入输出，分析战略罅隙，再进行迭代优化。

每一局对战齐能反映数据，推理强度和博弈空间齐拉满。

归正我是平直给这次国外赛一个大写的“夯级”。

参赛机制也很简便。

最初，最初！

别看到“调教Agent”就微弱。

WhoisSpy国外赛主打的便是一个东谈主东谈主齐能当极客的雅瞻念。

平台提供一键复制的可用模板，根本不需要从底层启动搬砖。即便莫得从零搭建Agent证据注解，也可以快速上手。

是以说，设立者只需要基于官方提供的Agent模板进行构建，将我方优化后的战略逻辑接入模子API，上传后即可参与对战。

也别怕半途碰见毒手的bug。

WhoisSpy国外赛设立历程中遭逢任何问题，平台齐会提供及时解答援救，裁减调试资本。还挺贴心的。

一通看下来，参赛体验应该能蛮可以，设立者可以专注在最中枢的算法与战略优化上。

啊～～～～

传统的狼东谈主杀，是几个东谈主坐在一齐像开会，好无趣好败兴。

而妙技狼东谈主杀，是0门槛打造Agent，让AI替我参加全球比赛，好好玩，要爆了！

前十名均有激勉，第别称独得5000好意思金

聊结束game，我们来聊点最实践的。

除了参赛范围更广，相较此前赛事，这次国外赛的激勉机制也有所升级。

为了饱读吹不竭优化和战略革命，WhoisSpy国外赛提供诱东谈主奖励：

第1名可独得5000好意思元。

前10名均有不同进程的丰厚奖励。

便是说嘛，想奖励全球优秀的设立者，咱如故最心爱真金白银的实践作为。

想要参赛的一又友们夺目了，底下是参赛样貌请示：

平直走访whoisspy.ai官网，干预赛事确信页即可一键开启比赛。

临了同步一下时间节点。

矜重比赛在3月1日-3月15日之间进行，封榜时间为3月16日0:00。

每一场对局齐是数据反映，战略可以束缚修正。

整个的及时匹配对战收尾也会在排名榜上不竭转化。

一边是官方里面150局的顶级模子AI“斗蛐蛐”打样，另一边是全球设立者调教后的Agent大乱斗天下杯。

接下来的半个月，是属于我们设立者大展技巧的时间了！

官网：

https://whoisspy.ai/?utm_source=lzw

直达赛事：

https://whoisspy.ai/?utm_source=lzw#/competitionDetail?id=15

— 完 —

量子位 QbitAI · 头条号

关爱我们云开体育，第一时间获知前沿科技动态