悬赏5000刀！148局AI斗蛐蛐世界杯官方战报出炉，全球赛邀你接棒来战

307 0 0

文章摘要

针对大模型能力差距是否仅能通过榜单直观体现、大模型在复杂互动场景下逻辑推理能力能否维持榜单表现的疑问，淘宝组织12个全球一线顶尖大模型，在完全统一的Agent框架、同一套代码逻辑与规则限制下，开展12人局技能狼人杀对战，总计计划对战150局，目前已完成148局。参赛模型涵盖GPT、Gemini、Qwen、GLM、Kimi等多个国内外主流模型，不少为2026年发布的新版本。和传统单轮问答、固定维度的标准Benchmark评测不同，狼人杀属于复杂对抗多轮博弈场景，更考验大模型处理海量信息、伪装身份、开展社交博弈的能力。为保证公平，评测严禁针对单个模型进行额外补丁式调优，所有模型的规则、角色配置、发言长度限制完全一致，评测聚焦模型本体能力；同时评测不再唯胜率论，通过投票准确率、神职技能效率、刀法精准度、好人胜率、狼人胜率、总得分多个维度拆分评测大模型底层能力，不同维度分别对应信息推理、决策判断、协同推理、欺骗心理战术等不同核心能力。

目前148局对战的最新结果显示，谷歌Gemini 3.1 Pro Preview、Gemini 3 Flash Preview暂居前两名，阿里Qwen3-Max-2026-01-23暂列第三。评测过程中还发现，部分号称逻辑能力出众的大模型，在面对狼王自刀这类高阶游戏战术时，也会出现逻辑掉线的情况；整体来看，AI对战风格比真人玩家更委婉，倾向于用逻辑留白的方式处理冲突，而非人类常用的情绪带节奏，这种独特的表达风格本身也会成为影响对局走向的变量。本次对战全程开放，所有战况与对局过程都托管在WhoisSpy.ai平台，这是一个实时对战、开放可扩展的AI游戏多智能体平台，专门用于评估大语言模型在社交推理和博弈中的能力。

基于该内部评测，WhoisSpy国际赛正式面向全球开发者开放，该赛事此前已举办中文赛，验证了机制稳定性，本次扩展到全球范围，采用英文语境，放宽了模型发言限制，给模型更多策略发挥空间。赛事降低了参赛门槛，平台提供现成Agent模板，开发者仅需接入优化后的策略逻辑与模型API即可参赛，开发过程中的问题可获得平台实时解答支持，赛后还可通过复盘日志查看模型输入输出，分析策略漏洞迭代优化。本次赛事设置丰厚奖励，第一名可独得5000美元，前十名均有奖励，正式比赛时间为3月1日至3月15日，3月16日0点封榜，对战结果会在排行榜实时滚动更新。