近日，OpenAI的总裁格雷格・布罗克曼转发了这样的一个基准测试：让7个强大的LLMs，包括开源和闭源，玩了210场完整的狼人杀。
其中GPT-5断崖式领先，胜率达到了惊人的96.7%！是目前当之无愧的MVP。国产模型中Qwen3和Kimi-K2分别位列第4和第6位。
官方博客分享了一些有趣的分析，包括这些模型在狼人杀游戏中表现出的性格特质。
比如Kimi-K2居然学会了“悍跳”：在作为狼人且犯了明显错误的情况下，选择公开声称自己是女巫，并成功扭转了局面。可以说是很大胆激进了。
在这场测试中，每对模型进行10场比赛：其中5场由一个模型控制狼玩家，另一个模型运行村民；另外5场角色互换。
这种设置能够看到两个维度：当模型是狼人时，它操纵其他玩家；当它是村民时，它抵抗被操纵。7个模型两两对决时，GPT-5完全没有败绩。
