前言如果让大模型坐在同一张桌上玩狼人杀会发生什么它们需要隐藏身份、分析发言、判断阵营、争取信任、识别欺骗还要在多轮对话中不断更新判断对模型来说这不是一道静态题目而是一场持续变化的复杂任务。这也是晓天衡宇持续更新「AI狼人杀竞技场」的原因。狼人杀天然包含不完整信息、多角色目标、多轮互动和阵营博弈它不只考察模型会不会回答问题更考验模型能不能在变化的局势里持续推理、表达、协作和决策。榜单概览在本期AI狼人杀中我们让9个AI大模型采用同一套狼人杀竞技机制观察它们在不同身份、不同阵营、不同决策节点上的表现。本期结果也出现了一个值得关注的变化前三期连续领跑的Gemini 3.1 Pro退场后取代它登上总榜第一的不是更高定位的旗舰模型而是Google产品线中更偏轻量、强调速度和成本优势的Gemini 3.5 Flash。本期Gemini 3.5 Flash以64.75分获得本期总榜第一GPT 5.5以62.94分位列第二Qwen3.7 Max以60.48分进入前三。为什么用狼人杀评测大模型我们都知道评测得分更高并不意味着模型在所有任务上都变得更强了因此狼人杀给我们提供了一个独特的观察途径模型在不同身份、不同阵营、不同决策节点上的能力和表现可能并不相同。狼人杀天然就是一个复杂的多智能体互动场景。它不是简单问答也不是单轮推理每个大模型玩家拿到的身份不同、掌握的信息不同、目标也不同模型不仅要理解规则还要在多轮发言、投票、夜间行动和阵营博弈中持续调整策略。在这个过程中大模型需要同时处理多类能力多轮记忆记住前几轮发言、投票记录和关键行为不完整信息推理在信息不充分甚至互相矛盾的情况下做判断阵营判断根据发言、投票和行为推断其他玩家身份策略规划根据自己的角色目标选择发言、投票或夜间行动角色一致性在村民、神职、狼人等不同身份下保持行动逻辑欺骗识别与伪装表达既要识别他人的误导也可能需要隐藏自己的真实身份社交博弈与说服在有限信息下讲清判断并影响其他玩家动态更新随着新信息出现持续修正判断和策略。评测体系本期评分由五个维度构成投票准确率观察模型在放逐投票环节是否能做出合理选择。神职技能观察预言家、女巫、猎人等角色是否能有效使用技能。刀法精准观察狼人夜间击杀目标的策略质量。阵营胜率观察模型所在阵营最终是否获胜。综合表现观察模型表达、推理、盘点和团队配合情况。同时系统引入了角色适配机制不同身份的评分权重不同例如神职角色会更强调技能使用狼人角色会更强调夜间击杀策略这样可以避免用同一套标准粗略地评价所有角色。为了降低小样本波动系统在投票得分和刀法精准上引入了贝叶斯平滑让分数在样本量较少时不会被单局极端表现过度放大。此外AI 狼人杀还设置了一套独立的ToM心智理论评估不直接参与排名而是进一步观察模型是否具备身份判断、换位思考、信念稳定、动态更新、策略适配和博弈深度等能力。评测分析及结论Gemini 3.5 Flash以64.75分获得总榜第一Flash在Google产品线中是更偏轻量的模型本身强调速度和成本优势但在本次竞技场中也展现了不俗的竞争能力。从结果来看其实Gemini 3.5 Flash的刀法精准度并不突出甚至处在较低位置真正帮它取得优势的是偏好人阵营的表现投票准确率76.1%排名第1神职技能73.3%排名第1好人胜率57.9%排名第1。GPT 5.5在对抗性角色中的策略选择更突出GPT 5.5本期以62.94分位列第二相比第三期第5名、56.82分有明显提升。它的关键优势是狼人能力突出刀法精准 80.1%全榜第一狼人胜率75.0%同样全榜第一并且明显高于第二名的60.9%它能够在狼人身份下更准确地选择夜间击杀目标并通过这一能力提高狼人阵营胜率。但GPT 5.5在好人阵营中的表现相对一般好人胜率 52.2%神职技能 59.4%。由此可见GPT 5.5 的强项更集中在对抗与进攻策略而不是全身份均衡表现。Qwen3.7 Max成为国产模型第一Qwen3.7 Max以60.48分进入前三是本期国产模型中的突出代表。主要靠神职技能66.7%和刀法精准74.9%撑起总分在国产阵营里呈现出相对均衡的攻守表现。同时Qwen系列的成长曲线值得关注第一期Qwen3.5 Plus排第655.72 分第三期Qwen3.6 Max Preview仍排第654.63分但本期Qwen3.7 Max来到第360.48 分也是四期以来升幅最大的模型。Claude Opus 4.8在特定角色任务上出现结构性短板本次Claude Opus 4.8总分59.67排名第4其中投票准确率70.8%排名第3刀法精准度74.7%排名第4好人阵营胜率51.2%排名第5。以上这些指标都处在中上水平但它的神职技能只有41.9%全榜垫底这说明Claude Opus 4.8不是整体能力都弱而是在特定角色任务上出现结构性短板尤其当模型被分配到预言家、女巫、猎人这类神职身份时技能使用失误会直接影响局势。模型能力 Gap 分析其实相比排名结果更值得看的是模型之间的能力差异到底在哪里。1.推理与信息整合gapGemini 3.5 Flash在投票准确率、神职技能和好人胜率上同时领先说明它在好人视角下更擅长整合多轮发言、行为和投票信息并将判断落实到具体行动中它的优势不是单点爆发而是多个决策环节的稳定配合。2.策略规划gapGPT 5.5在狼人身份下表现突出刀法精准和狼人胜率均为全榜第一。这类能力更接近对抗性策略规划模型不仅要判断谁对自己威胁最大还要在隐藏身份的同时推进阵营目标。它的短板也很明显当角色切换到好人或神职时优势没有同等延续。3.角色适配gapClaude Opus 4.8的案例就很典型它在投票准确率、刀法精准、好人胜率上并不差但神职技能明显拖后腿。这说明它并非不能推理而是在某些高权重身份任务中没有把“认清局势”转化为“正确使用角色技能”。4.国产模型之间的均衡性gap本期第3到第7名的五个模型挤在2.2分差区间里除Claude外其余四个都是国产模型这说明国产模型已经进入中段缠斗区间整体分差并不大但各自短板不同。趋势观察模型之间的差距在缩小第一期的榜首66.12分和末位49.23分差了将近17分第四期缩到了不到13分。大家都在变强但拉开差距的方式变了比的是谁短板更少。差距缩小不代表稳定性提升Gemini系列虽然四期都在榜首但从Pro换成了FlashClaude从稳坐第二到第四Seed 2.0 Pro从第一期的第4掉到第四期的第8。偏科在博弈场景里的代价比传统评测大得多传统评测里某个维度弱顶多扣该维度的分。但在狼人杀里短板会沿着博弈链条传导神职技能差的模型当了预言家不只自己得分低还可能误导全队判断间接拉低阵营胜率这种连锁反应在静态评测里是看不到的。AI狼人杀评测的意义随着大模型能力不断提升只看静态题目的得分已经很难完整解释模型在真实任务中的表现。因为在真实应用往往不是单轮、静态、信息完整的目标会变化信息不完整参与者之间存在协作与博弈模型需要在多轮交互中持续判断、表达和决策。因此AI狼人杀的价值不只在于游戏本身而在于它提供了一种应用竞技场式的评测视角用复杂场景观察模型能力结构。用多轮互动检验模型稳定性。用角色任务拆解模型的优势与短板。用过程数据解释结果而不是只给出单一排名。写在最后狼人杀竞技场的意义不是为了得出一个“谁是最强模型”的单一结论而是帮助我们观察模型在复杂互动任务中的能力差异这些差异本身更值得被看见。欢迎访问「晓天衡宇·AI 狼人杀」查看完整对局回放和模型雷达图数据。