AI 跑团就在今天？实测让 100 万词元的 Gemini 当守秘人，我发现收获了这些惊喜

就在大家还在惊叹于 GPT-4o 模型所带来的自然语言的震撼，被 GPT-4o「背刺」的 Gemini 被提及的声量就显得小了很多。 不过，值得关注的惊喜还是有的，比如，宣布了 Gemini 1.5 拥有一百万词元（token）的语境尺寸。

目前，除了 Kimi 和 Google 之外，鲜有其他 LLM 厂商尝试扩展语境尺寸。

包括为 ChatGPT 背书的 GPT-4o 模型，由 ChatGPT 自己宣称的语境尺寸在 8192 词元。其他 LLM 可接受的最大语境尺寸也大多在 1000～10000 词元的范围中移动。

这也很好理解：更大的语境尺寸会明显地带来的额外算力压力；同时，要在长语境下快速做出响应，也是令调参工程师十分头疼的问题。

如果单纯测试实际环境下的性能，找一篇带有一百多页的 PDF 格式论文可能足以胜任 benchmark 任务。

不过，我突然还是有那么一点对「他们是怎么做到力大砖飞的百万尺寸上下文的」这个问题感到好奇。于是，我就开始萌生了给这些大语言模型使点绊子的想法——

来当守秘人，一起跑个单人 CoC 团吧！

考验语境尺寸，更考验模型综合素质

如果你还不是 TRPG 的玩家，可能对「模组」、「跑团」这些词汇十分陌生，我们先来快速过一遍基础概念。（TRPG 分有许多分支，这里我们简单介绍《克苏鲁的召唤 [CoC]》分支的规则。）

在 TRPG 的世界里，可以简单地将「模组」类比成网络游戏中的「副本」，即多位玩家在一段预设的故事中展开冒险、寻找真相。游戏中玩家被分为两组，分别是由一名玩家组成的守秘人（keeper，通常被简称为「kp」）和至少一名玩家的调查员组成。

守秘人在整个故事中的角色是，控制 NPC 的行动，并引导调查员在故事中的行为。如果调查员的行为触发了故事的某些机制或者设定，守秘人需要向调查员要求投掷骰子，判断调查员行为是否成功、并根据骰点结果续写故事，等等。

从上面的描述中，我们大概可以猜到，做 kp 对于大语言模型而言，是一个极其考验其综合能力的任务。例如，模型需要理解模组中许多细致的要求，比如调查员在其中可以做什么、不可以做什么；当调查员做了不符合设定或剧情上不允许的事情，应该如何及时引导而不至于影响游戏体验。

调查员的回复中，如果有许多很细致的动作，模型是否能够准确无误地将它们抽象出来；以及在调查员执行特定行为的时候，确定是否需要 roll 点、「成功」与「失败」的规则是什么，也是衡量 kp 素质的十分重要的指标。

这些事情，一个人类新手 kp 可能都未必做得十分优秀，对于大语言模型，正好也可以成为一种综合素质的考验。

第一小时的完美

在跑团之前，我特地向 Gemini 确认了一下它的模型尺寸。

很好！正儿八经地是一百万词元，开启 AI 跑团之旅的基础条件有了。接下来，我在网上挑选了一个由辉质撰写的评分较高的模组《[我的色彩](https://www.dicecho.com/module/6007fcc8bb660b024e5112f1)》，直接发给 Gemini 让它读取。

接下来，再花点时间车张卡（创建角色卡，填写数值、人设等，用于投掷判定和故事发展等），然后也发给 Gemini，一切顺利！可以开始跑团了。

（本文之后的内容会有该模组的剧透。我们尽可能地减少剧透量，但不可能完全做到零剧透，敬请注意。）

单从调查员玩家的角色看来，整个冒险的第一小时，Gemini 的表现堪称完美。

Gemini 不仅很好地营造出了模组中要求的雪山的氛围，而且很顺利地在不同 NPC 角色之间切换，还在开幕的时候顺利地要求我进行投掷和 SanCheck，可以说沉浸感十足。

唯一的美中不足，就是 Gemini 目前尚不支持第三方插件，不然我高低也得给它整一个 roll 点工具。

之后的落差

就在那么一瞬间，我突然就有了「AI 跑团就在今天」的想法，心想着「一百万上下文果然就是不一样」！可正当我兴高采烈地和 Gemini 玩得有来有回的时候，我开始发现了许多不对劲的现象。

首先是，Gemini 很难十分完善地处理跑团这种「马拉松对话」，对话过程越长，质量下降得越明显，放在跑团这个情境里，就是「更容易出戏」。

具体表现是，Gemini 会不断地重复之前进行过的对话，然后反刍到现在的回复中。如果反刍情况太严重，它还会出现故事线错乱的情况，将它当作「现在的剧情」。

例如，我作为调查员，已经决定从医院出院后一个人上山而没有要求警官跟随。过了很久，Gemini 突然在回复中认为我是和警官一起上山的。我试图纠正，结果 Gemini 把我从出院的剧情全部反刍了一遍。

类似的情况在整个过程中比比皆是，也让我有些好奇为何会出现这样的情况——因为很明显，Gemini 对我们之前的剧情还有印象（否则不可能定位到我决定一个人从医院出来的剧情），但反复反刍之前的剧情进展也让我十分疑惑。

我的一个猜想是，Gemini 1.5 可能使用了一种十分独特的「分包压缩」和「解压缩」的方法。

比如，Gemini 可能将历史的聊天记录以不同分幕的方式进行切片，并单独将它们「压缩」成一个总结「压缩包」。

当 Gemini 认为需要向我回复的内容需要获知其中一个或几个「压缩包」的内容，就将其「解压」出来，再把它反刍到当前会话中（因为调用过这个记录，所以默认认为你之后一段时间里也会使用这段内容），以避免重复进行解压缩。

这可能也解释了之后一个十分奇怪的情况。在第一小时里的游戏体验中，Gemini 比较积极地让我进行 roll 点；但到了剧情后期，Gemini 好像完全忘记了自己作为 kp 的职责，反而跟我玩起了「故事接龙」游戏。

虽然对话进行过程中，Gemini 反复地提示它正在看模组文件和我的任务卡，但 Gemini 完全无法判断究竟该在什么时候让我执行 SanCheck。按照刚才的理论推断，Gemini 很可能将早期的聊天记录直接压缩了，然后忘记了我们其实正在跑团、变成了玩故事接龙。

战斗？想都别想了。尽管模组文件里对于 NPC 的数值、以及在哪里能遇到什么怪物这些写得十分详细，但 Gemini 一点都没有动过想让我战斗的心思。

另外，LLM 对于情景和行为的交互逻辑判断上还有待加强。例如，情景是我和 A、B 两个 NPC 在一起，我对 A 说话的时候，顾虑说话对 B 的影响，这种十分细微的心理活动会被 Gemini 当成是在对 B 说话，然后被 Gemini 关联到十分古早的剧情。

例如，「我只记得，我遇到了一个……」这时候我望向 B，我不想让她知道这个人就是她的哥哥，然后接着对 A 说，「……很奇怪的人。他像是在那里欣赏森林里的雪景一般。你知道的，正常人不可能在这种时候还在欣赏风景。」

如果是人类 kp，其实能很清楚地理解这个心理活动和互动逻辑。但是对于 Gemini 这种 LLM 而言，还是十分容易被理解成「转向对 B 说话」。

如果说单纯只是玩故事接龙，其实还是有可能玩到「截团」的。可惜的是，对话越长，Gemini 反刍的情况越严重，最终，连接龙都没办法接，这个团也没有办法完整进行下去。

跑团可以用，但当 kp 还是不太称职

为了保证我的体验比较接近真实玩家的体验，在和 Gemini 游玩整个模组之前，我实际上没有仔细阅读这个模组文件。但读过模组之后，可以发现其中 Gemini 还是因为「幻觉」现象或是其他原因而「放飞自我」。

比如，Gemini 版本的第一幕直接把我「扔」到了雪山之中，而模组文件要求第一幕是在医院。另外，从雪山到医院的过渡，也不是瞬间完成的，而是有一个人为的过渡。检查过模组文件之后，可以发现几乎 40% 的剧情量，Gemini 基本上是自己发挥、没有跟随模组的要求撰写的。

另外，游戏中的「不可名状之物」本身的出现应该是整个剧情中的最高潮部分，Gemini 直接在半山腰（字面意义的半山腰）给我来个「大剧透」，让我以为这玩意儿就是个普通 boss。

当然，模组作者在模组的开头写清楚了，这个模组其实带有许多复杂的交互和融合关系。光是清晰地组织各种 NPC 与调查员之间的身份就已经比其他模组更困难，所以这个模组并不适合新手 kp 来带团跑（也就是说，其实我在无意间让 Gemini 带了一个地狱难度级别的模组）。

但不可否认的是，Gemini 在「编故事」这一环，至少在第一小时，让我有了十分身临其境而令人难忘的回忆，仿佛真的身处雪崩现场一般。十分惊喜的是，它还弄清楚了「根据玩家的角色卡条件不同，NPC 可能也有差异」这一点并体现到了故事当中。

也许目前，一个新手 kp 想要在跑团中确保自己的故事可以被润色一遍，使用 LLM 可能会收获意外的效果——它可能会帮你在塑造故事这一方面变得更出色，并为新手 kp 提供许多剧情撰写的帮助。但如果想要让 LLM 们精通 TRPG、做一个称职的 kp，看上去要教给它们的东西还有很多。