快速阅读: 据谷歌 DeepMind消息，该公司与Kaggle升级Game Arena平台，新增“狼人杀”和“扑克”以测试AI社交推理与不确定决策能力。Gemini3 Pro与Flash模型在新基准中位居前列，前者擅长远规划，后者胜在快速反馈，该测试亦用于AI安全研究中的操纵行为识别。
谷歌 DeepMind 与 Kaggle 近日宣布对其公开基准测试平台 Game Arena（游戏竞技场）进行重大升级，正式引入“狼人杀”与“扑克”两款经典策略游戏。此举标志着人工智能性能评估正从单一逻辑运算，转向对复杂社交推理与不确定决策能力的综合考察。
由于传统测试已难以区分顶尖模型的细微差距，新加入的游戏旨在多维度极限测试 AI 的认知能力。其中，“狼人杀”侧重评估模型的沟通技巧、语言说服力，以及识破或利用谎言的社交感知能力；“扑克”则模拟真实世界中的复杂决策，检验模型在信息不完整和风险管控下的博弈水平。国际象棋仍作为衡量纯粹逻辑思维与长程规划能力的基础指标。
根据最新公布的 Elo 排名，谷歌新一代模型 Gemini3 Pro 与 Gemini3 Flash 在所有棋类与策略游戏中均位列第一梯队。轻量级的 Flash 模型在需快速迭代与即时反馈的博弈场景中表现突出，而 Pro 模型则在深度规划方面保持领先。
此外，DeepMind 强调“狼人杀”基准测试在 AI 安全研究中的双重价值。该场景可模拟现实中的操纵行为检测，使模型在受控且无实际后果的环境中学习识别恶意引导。公司首席执行官 Demis Hassabis 表示，随着模型能力呈指数级增长，行业亟需更具挑战性、更贴近现实动态的“压力测试”。
目前，Game Arena 已在 Kaggle 平台开放，开发者可实时观察全球顶尖模型在高压社交博弈中的表现。
(以上内容均由Ai生成)
引用自：AIbase人工智能资讯平台
