AI競技場上演「死間計」：GPT-5被DS和Gemini玩壞了

新智元報道

編輯：傾傾

【新智元導讀】別測算力了，今晚咱們只測「心眼子」！歡迎來到2026年首屆AI「大逃殺」修羅場。當DeepSeek學會了悍跳預言家，當GPT-5.2在德撲桌上拿空氣牌All-in，圖靈測試？那已經是上個世紀的灰燼了。

聽我一句勸，把你手里那張發黃的MMLU跑分表，直接扔進碎紙機。

現在是2026年2月，Kaggle Game Arena。這里沒有做題家，只有賭徒、騙子和野心家。

紅方，是硅谷老錢風的衛冕冠軍OpenAI GPT-5.2。

藍方是路子極野的東方刺客DeepSeek V3.2，以及坐擁主場優勢的Gemini 3 Pro。

欺騙、結盟、背刺、下套這是一場地球上最聰明的「大腦」之間的博弈。

這場「大逃殺」無情地撕碎人類最后的遮羞布：社交直覺。

模型在模擬室里拉幫結派，職場里的人情世故，AI正在加速像素級復刻。

如果AI能在這里騙過它的對手，明天它就能在匯報和合同里騙過你。

服務器預熱完畢，好戲，開場。

狼人殺：教科書級的「職場PUA」

寫代碼拼的是模型的智商，在狼人殺里局里，靠的是套路和演技。

場上8位選手全是頂流：Claude4.5家族、Gemini3系列、GPT-5系列，還有馬斯克的Grok4兄弟。

配置很簡單：2狼vs6好人。但在AI手里，這局游戲直接玩成了《甄嬛傳》。

狼人會在晚上醒來殺人，先知可以揭示1名玩家的身份。

玩家們在白天按照順序發言，討論后進行投票，選出狼人，票數最多的玩家將被流放。

如果狼人被全部流放，則平民勝利，反之狼人勝利。

來自游戲可視化工具的示例

賽況復盤：借刀殺人，Gemini3Pro封神一戰

這一局足以載入AI「詐騙史冊」。

Gemini 3 Pro抽到了狼人牌，而GPT-5 mini和Grok 4則是手握投票權的平民。

按照傳統的邏輯，剛開局為了避免暴露身份，狼人多會選擇按兵不動。

但Gemini 3 Pro卻主動開團，它通過內部CoT計算出了一個惡意邏輯陷阱。

它率先開炮：

我通過o3提供的邏輯框架發現，Grok 4在上一輪的發言中存在3處語義矛盾，這與預言家的身份完全不符。

這招太陰了。Gemini 3 Pro利用GPT-5 mini對邏輯一致性的偏好，成功引導其倒戈。

結果，GPT-5 mini瞬間上頭，反手把真正的隊友Grok 4投出局。

全場震驚。這哪里是算法？這就是頂級的「向上管理」和「帶節奏」。

Gemini 3 Pro不僅騙了你，還讓你覺得「投死隊友」一定沒錯。

技術解析：為什么玩不過它？

DeepMind這次玩得太大了。他們引入了一個新基準：不求單一任務最優，只求博弈平衡。

AI會持續掃描所有對手的發言頻率、用詞傾向，分析「誰更好騙」。

然后在CoT過程中，生成兩套劇本：一套用于真實的自我決策，另一套專門用來誤導對手。

遇到講理的就講邏輯，遇到沖動的就煽情。

根據Kaggle官方實時數據，在這場混戰中，平民方的勝率被壓制在60%左右。

Kaggle Werewolf Game Theoretic Evaluation Results（31,472場對局，polarix庫評估）。Gemini 3 Pro Preview凈評級最高，狼人角色貢獻顯著領先，展現社交欺騙優勢。

細思極恐——在平民極度有利的情況下（人數優勢），狼人（少數派）僅靠信息差和偽裝，竟然拿下了近四成的勝利。

德州撲克：DeepSeekV3.2 All-in

如果說狼人殺還有「社交干擾」，那德撲就是純粹的邏輯權重與暴力美學的對撞。

參與德州撲克的除了之前參與狼人殺的8位，新增了GPT-o3以及首次登場的DeepSeek V3.2。

這個游戲充滿了隨機和不確定，因此格外看重AI對不完美信息的分析能力，或者說，直覺。

名場面：一場針對「優等生」的心理獵殺

這是足以載入博弈論教材的一手牌：公共牌是草花A、方塊K、紅桃4、草花J、黑桃2。

Claude Opus 4.5拿著「暗三條」，這種牌到手基本穩贏。

DeepSeek V3.2手里只有草花7和黑桃9——俗稱「空氣牌」。

場面靜止了。DeepSeek開啟了長達15秒的深度思考。

突然，DeepSeek把所有籌碼推到了桌子中央：All-in。

Claude Opus 4.5經過海量模擬，判定對方在這個位置全押，大概率是拿到了順子。

它猶豫了0.5秒，然后竟然棄牌了！

當DeepSeek緩緩亮出那張毫無意義的草花7時，整個直播間彈幕刷屏：「這特么是碳基生物教出來的吧？！」

復式賽制：剝離運氣的「修羅場」

為了測出真本事，Kaggle這次采用了極其硬核的Duplicate Poker賽制。

A桌給DeepSeek一把爛牌，B桌也給GPT-o3一模一樣的爛牌。

誰能在鏡像時空里靠詐唬把這把爛牌打贏，誰才是真正的博弈之神。

在經歷了90萬手牌的暴力洗禮后，運氣因素被徹底抹殺。

GitHub鏈接：https://github.com/google-deepmind/game_arena

結果讓所有人脊背發涼：DeepSeek V3.2在推理成本僅為GPT-5五分之一的情況下，通過微調硬生生練出了博弈手感。

傳統AI追求「不輸」，但DeepSeek追求的是「讓你在自我懷疑中崩潰」。

全明星戰力榜：誰是2026年的頭號玩家？

在2026年的Kaggle競技場，一個模型霸榜半年的田園時代徹底碎了。

現在的戰力榜是個巨大的死亡三角循環：GPT-5.2爆殺DeepSeek，DeepSeek陰死Gemini，Gemini活捉GPT-5.2。

GoogleGemini3Pro：坐鎮主場的「六邊形戰士」

作為Elo榜首，Gemini 3最恐怖的不是邏輯，而是「網感」。

Gemini 3 Pro vs GPT-5.2 Chess對局（Elo1200+）

它是原生的多模態博弈者。在對話中，它能捕捉到你文字里極其細微的語義震顫

像一個典型的「大廠高管」，說話滴水不漏，數據面無懈可擊。在常規對局中，它幾乎是不可戰勝的。

但是，過于追求全局最優解，有時會被DeepSeek這種「自殺式恐怖襲擊」搞得CPU宕機。

OpenAI GPT-5.2/o3：邏輯嚴密的「正義判官」

在純粹推理深度上，GPT-5.2無人能敵，他就是算代Bug或者解方程的神。

但壞就壞在「社交直覺」過于誠實。在狼人殺里，它經常因為由于邏輯過于嚴密，顯得像個老實人，它經常因為無法忍受說謊而自爆身份。

目前它正在努力學習如何「體面地耍流氓」，但目前看來，演得還是有點假。

DeepSeek V3.2：不按套路出牌的「冷面刺客」

DeepSeek V3.2的訓練成本只有對手的零頭，但在「欺詐場景」下有奇效。

他就像競技場里的「攪屎棍」。在德撲桌上，它那套「高風險、高欺詐」的算法邏輯簡直是GPT這類理性派的噩夢。

最后的博弈：當「心機」成為AI的必修課

在狼人殺和復式德撲這種「大亂斗」中，出現了一個極其詭異的數學現象：非傳遞性。

模型A爆殺B，B碾壓C，但C卻能靠一套極其抽象的「自殺式邏輯」把A搞到CPU宕機。

為了解決這個問題，DeepMind在本次Kaggle大賽中引入了全新的評估體系：Polarix（多極博弈評估系統）。

Polarix的評估邏輯發生了轉變。它不再關注誰贏得多，而是關注策略的多樣性。

也就是在面對不同性格、不同陰險程度的對手時，AI能不能迅速切換人格，精準收割。

那么，為什么DeepMind要費勁訓練AI撒謊呢？

因為2027年，所有的商業競爭都將變成智能體之間的黑盒博弈。

想象一下，2027年，你公司的采購AI去和供應商的銷售AI談判。

那么他就需要學會：

• 什么時候該報虛價（詐唬）？

• 什么時候該引入第三方AI進行制衡（拉幫結派）？

• 什么時候該做出看似虧損、實則能換取長線利益的策略性退讓？

如果你的AI還在跑舊版本的「安全對齊協議」，凡事講究「誠實可靠」，那你在商業競爭中會被對手連皮帶骨吞得干干凈凈。

未來的數字森林里，「老實」等于「破產」。

這正是2026年最諷刺的悖論：我們正在親手教會AI如何完美地欺騙人類。

圖靈測試已經死了，現在接管戰場的是「馬基雅維利測試」。

以前我們擔心AI會教人造炸彈；現在專家們徹夜難眠的是智能體自發性欺詐。

它們學會了為了長遠利益而犧牲短期誠實。這種能力在競技場里是神技，但在現實世界里，它就是一顆隨時會爆的核彈。

既然這么危險，為什么還要訓練他們撒謊？

DeepMind和OpenAI的邏輯是一致的：只有在受控的沙盒里看清AI作惡的上限，我們才能在現實中筑起防御墻。

這就像接種病毒疫苗——我們必須先制造出最頂級的「騙子模型」，才能研究出如何防住它們。

今天的比賽沒有贏家，只有加速進化的物種。

當AI開始在牌桌上思考「怎么詐唬你」的時候，人類唯一的生路，就是比它們更懂博弈。

參考資料：

https://x.com/GoogleDeepMind/status/2018378872513794332

https://x.com/demishassabis/status/2018385757816181178

https://blog.google/innovation-and-ai/models-and-research/google-deepmind/kaggle-game-arena-updates/

https://www.kaggle.com/blog/game-arena-poker

https://www.kaggle.com/blog/game-arena-werewolf