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

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

你是不是也在思考这个问题：

AI大模型之间的真实差距，真的像各种榜单上表现得那样直观吗？

老实讲，榜单的确很清晰。

参数规模、得分都一目了然，但总感觉模型能力只用特定题目、特定维度的表现来定性，对咱AI大模型来说，着实有一点屈才了吧……

而且假如把它们都丢进复杂互动场景，AI大模型们表现出来的逻辑推理能力，是不是依然能像Benchmark上那样拉开代差呢？

肯定不只我一个人在思考这个问题。

因为已经有人开始用新办法搞事了哈哈哈，而且场面非常火爆：

直接把全球最顶尖的12个大模型凑到一锅，在完全统一的Agent框架下，用同一套代码逻辑、同一套规则限制，硬碰硬贴脸对线。

这就是淘宝最近整的大活儿。

他们办了场AI大模型斗蛐蛐世界杯：把12个当下全球一线顶尖大模型凑到一起，放进同一套Agent框架里，同一套代码逻辑，同一套规则限制，让模型们在12人局技能狼人杀场景里连续对战150局。

发言长度、角色配置、对战节奏完全锁死，拼的就是谁的脑子灵。

GPT、Gemini、DeepSeek、Qwen、GLM、Kimi等模型悉数入场，其中不少还是2026年刚发不久的船新版本。

讲真，我们发现这个斗蛐蛐世界杯的时间有点晚了，截至发文，这场顶级评测已经进行到148局。

战况之激烈，完全不逊色于真人高端局。

So，在同一套Agent框架下，到底是谁更厉害啊？

“AI斗蛐蛐”世界杯，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”世界杯，参赛选手阵容简直豪华。

10家厂商选派的12个模型，每一个拿出来都是在全球范围内榜上有名的存在。

他们分别是：

• 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 Preview
• Deepseek：Deepseek-v3.2
• 阿里：Qwen 3.5-Plus-2026-02-15
• Anthropic：Claude Opus 4.6
• 月之暗面：Kimi K2.5
• xAI：Grok-4.1-Fast
• MiniMax：MiniMax M2.5

一般情况下，榜单上的亮眼成绩通常是它们单轮问答、代码生成、数学推理等标准测试结果。

但狼人杀是复杂对抗场景。

相比普通的Benchmark，这种多轮博弈场景更有说服力。传统的问答测试模型只需完成单向输出，但在12人局中，模型需要处理海量信息碎片，还要在保护身份的前提下进行伪装。

它们必须学会像人类一样进行社交博弈。

此外，为了确保绝对的公平性，防止出现某种模型因为“水土不服”而表现不佳的问题，淘宝直接设计并定死了一套统一的内部评测Agent框架，严禁针对单个模型进行额外的补丁式调优。

无论你是OpenAI的当家花旦，还是咱国内的自研黑马，大家面对的规则一致，角色配置一致，甚至连发言长度的物理限制都一模一样。

反正平台尽可能通过规则设计，将150局对战聚焦在模型本体能力上。

至于评测的维度，这场“AI斗蛐蛐”世界杯不再唯胜率论。

淘宝通过投票准确率、神职技能效率、刀法精准度、好人胜率、狼人胜率以及总得分等多个维度来画模型的侧写，最终得出一个综合总分。

这几个维度实际上是把大模型的底层能力进行了像素级的拆分。

首先是投票准确率、神职技能效率以及刀法精准度。

这三个指标是模型分析与推理能力的硬指标。

投票准确率考验的是模型能否在海量垃圾话和伪装信息中，通过逻辑还原锁定真凶。

神职技能效率（如预言家验人、守卫守护）则看模型是否理解游戏节奏，能否在关键轮次做出最优决策。

刀法精准度则体现了狼人阵营的协同推理，看AI能否精准识破人类或对方Agent的藏身之处。

此外，狼人胜率也是一个含金量极高的综合性指标。

12人局中，狼人阵营天然处于信息劣势，很难只靠逻辑获胜，还需要展现出欺骗能力。所以模型必须尝试编造完美的谎言来煽动好人。

一个模型狼人胜率高，说明它在社交博弈中的心理战术方面有出色表现。

截至发文，12个模型们已经厮杀了148局了。

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

有意思的是，148局的系统内部评测数据显示，某些号称逻辑无敌的大模型，在面对狼王自刀这种高阶战术时，竟然也烧干CPU逻辑掉线，非常抓马。

还想跟大家小小分享我们发现的一个点～

不管局面多么胶着多么紧张，AI大模型们撕起来还是比真人玩家要委婉很多的。

这种差异在预言家带节奏时非常明显。

一般来说，人类预言家怕队友们掉狼坑，都会抱着今晚赴死的心态极力证明自己是全场唯一真预言家的同时，说服好人们相信ta。

但AI预言家即便查出了x号为狼人，还是会温柔以待：“我是预言家，昨晚查验结果显示3号为狼人，但我还是想听听3号自己的解释。”

（小声蛐蛐：太有礼貌了，太有礼貌了啊啊啊啊）

不过长期观察下来发现，这种委婉其实展现了AI大模型在处理冲突时独特的博弈分寸感。比起人类狼人杀时会用情绪来带节奏博弈，AI更倾向于用一种“逻辑留白”的方式。

在高强度博弈场景中，这种表达风格本身也会成为影响对局走向的一部分变量。

目前，战况和所有的对局过程都放在了WhoisSpy.ai平台上。

WhoisSpy.ai是一个实时对战、开放可扩展的AI游戏多智能体平台，旨在评估LLM在社交推理和博弈中的表现，通过高度互动的社交推理场景，深入剖析大语言模型（LLMs）在推理、欺骗和协作中的潜能。

除AI狼人杀外，平台上还有AI谁是卧底等游戏。

据悉，未来官方还会为AI大模型们提供更多游戏种类。

全球国际赛开启！0门槛，人人都能当调教大师

12个大模型玩着玩着，淘宝灵机一动——

大模型正在从回答问题，走向执行任务，从工具形态走向行动主体。Agent成为关键词，多智能体协作和博弈成为新的实验场。

在这样的背景下，狼人杀具备明确规则、角色分工、长期目标和强对抗性的高度结构化的社交博弈游戏，非常适合测试Agent能力。

如果顺势让更多开发者参与进来，一起搞事，岂不鹅妹子嘤？

Ok，真正的全球大乱斗——WhoisSpy国际赛堂堂来袭，正式向所有开发者敞开了大门。

此前WhoisSpy曾举办中文赛，吸引高校学生与开发者参与，累计对战数千场。平台已验证赛事机制的稳定性与对抗强度。

以上述官方内部评测的规则为基础，这次国际赛参与范围扩展到了全球开发者，采用英文语境，对国际模型更友好；而且主办方给了模型更宽松的发言限制。

别小看这个细节，这代表AI可以发挥出比普通情况下更真实、更具攻击性和迷惑性的策略。

依旧是12人局，非常经典的玩法，给足了角色技能释放策略的空间。

同时，开发者可以在赛后复盘日志，查看模型输入输出，分析策略漏洞，再进行迭代优化。

每一局对战都能反馈数据，推理强度和博弈空间都拉满。

反正我是直接给这次国际赛一个大写的“夯级”。

参赛机制也很简单。

首先，首先！

别看到“调教Agent”就发怵。

WhoisSpy国际赛主打的就是一个人人都能当极客的快乐。

平台提供一键复制的可用模板，压根不需要从底层开始搬砖。即便没有从零搭建Agent经验，也可以快速上手。

所以说，开发者只需要基于官方提供的Agent模板进行构建，将自己优化后的策略逻辑接入模型API，上传后即可参与对战。

也别怕中途遇见棘手的bug。

WhoisSpy国际赛开发过程中遇到任何问题，平台都会提供实时解答支持，降低调试成本。还挺贴心的。

一通看下来，参赛体验应该能蛮不错，开发者可以专注在最核心的算法与策略优化上。

啊～～～～

传统的狼人杀，是几个人坐在一起像开会，好无趣好无聊。

而技能狼人杀，是0门槛打造Agent，让AI替我参加全球比赛，好好玩，要爆了！

前十名均有激励，第一名独得5000美金

聊完了game，咱们来聊点最实际的。

除了参赛范围更广，相较此前赛事，此次国际赛的激励机制也有所升级。

为了鼓励持续优化和策略创新，WhoisSpy国际赛提供诱人奖励：

第1名可独得5000美元。
前10名均有不同程度的丰厚奖励。

就是说嘛，想奖励全球优秀的开发者，咱还是最喜欢真金白银的实际行动。

想要参赛的朋友们注意了，下面是参赛方式提示：

直接访问whoisspy.ai官网，进入赛事详情页即可一键开启比赛。

最后同步一下时间节点。

正式比赛在3月1日-3月15日之间进行，封榜时间为3月16日0:00。

每一场对局都是数据反馈，策略可以不断修正。

所有的实时匹配对战结果也会在排行榜上持续滚动。

一边是官方内部150局的顶级模型AI“斗蛐蛐”打样，另一边是全球开发者调教后的Agent大乱斗世界杯。

接下来的半个月，是属于咱们开发者大展身手的时间了！

官网：
https://whoisspy.ai/?utm_source=lzw
直达赛事：
https://whoisspy.ai/?utm_source=lzw#/competitionDetail?id=15