17款大模型PK八款棋牌游戏，o3-mini胜出，DeepSeek R1输中间步骤

GameBoT团队 投稿
量子位 | 公众号 QbitAI

AI社区掀起用大模型玩游戏之风！

例如国外知名博主让DeepSeek和Chatgpt下国际象棋的视频在Youtube上就获得百万播放，ARC Prize组织最近也发布了一个贪吃蛇LLM评测基准SnakeBench。

针对这一场景，来自港大、剑桥和北大的研究人员发布了一个更全面、客观可信的LLM评测基准：GameBoT

让大模型在8个游戏中互相PK，评测各主流大模型的推理能力。游戏PK避免模型“背答案”；除了输赢之外，GameBoT还评估大模型输出的中间步骤，实现更细粒度和客观的测评。

通过游戏来评估 LLM

传统的LLM benchmark面临着两个挑战：性能饱和与数据污染。性能饱和指的是榜单分数已经被刷的很高，几乎没有进一步提升的空间。例如，Qwen2-Math-72B-Instruct在GSM8k上已达到了96.7%的准确率。数据污染是指由于语言模型在大规模网络语料库上进行预训练，它们可能会无意中遇到并记住这些基准测试中的测试实例。因此，LLM可能会获得虚高的性能分数。

而通过游戏来评测，正好既具有挑战性，又能够通过动态的游戏环境来避免模型提前记住“试卷答案”。

中间步骤评测

相较于其他一样用游戏来评测LLM的benchmark，GameBoT有何不同呢？

其他的benchmark往往只根据游戏最终的输赢作为标准，然而一次比赛可能有几十上百个回合，一个回合的决策就有可能直接决定输赢，这带来了很大偶然性；除此之外，LLM经常会出现思考过程和最终决策不对应的情况，有可能只是碰巧选到了一个好的决策——GameBoT中的一个关键设计在于，不仅仅评测最终胜负，还评测LLM的中间思考过程是否正确。

△评估中间步骤可以利用更丰富的信息

为了对LLM的推理进行细粒度分析，作者将每个游戏中复杂的决策过程分解为2-3个逻辑上关键的子问题，每个子问题都被设计为有唯一确定答案的，并让大模型在回答子问题的基础上回答最终决策。LLM被限定通过这个格式回答：“[中间思考结果：XXX]”，方便直接提取答案。同时，对于设计好的问题，作者预先开发好基于规则的算法来生成标准答案，从而更客观高效地评估模型性能。

例如在 Surround 游戏中，设计了这样的问题：

1. 当前位置周围的值是多少？
2. 当前安全移动的方向有哪些？
3. 该方向能保证至少十次安全移动吗？

评测中间步骤带来了几个优势：更细粒度的评测，更高的可解释性，更清楚的了解模型能力的优势和劣势。

Prompt 设计

为确保公平评估大语言模型学习和应用游戏策略的能力，我们设计了非常详细的足以作为教程的游戏prompt。

包含三个结构化部分：<游戏规则>、<输入>和<输出>，其中 <游戏规则>部分提供完整的游戏规则说明，<输入>规范模型接收的输入格式，<输出>明确指定结构化输出要求。

在<输出>中包含了详细的Chain-of-Thought，提供了人类专家设计的游戏策略，指导LLM通过三步框架（策略理解→子问题分解→策略应用）解决复杂问题。教程级别的 prompt确保评估聚焦于模型基于新信息的推理能力（zero-shot 或one-shot），而非依赖预训练数据中的既有知识。

△GameBot框架

评测游戏

1. Surround

游戏中玩家通过控制方向在屏幕上移动，并试图围住对手。先撞上自己的轨迹、对手的轨迹或者墙壁的一方算输。

△左：GPT-4o；右：Claude-35-Sonnet

2. Pong 乒乓

玩家通过控制球拍在屏幕上移动，并试图将球击回对手区域。先未能接到球的一方算输。

△左：GPT-4o-mini；右：Llama3.1-405b

3.TicTacToe 井字棋

先连成三子的一方赢。

△X：Gemini-1.5-pro-preview；O：Llama3.1-70b

4.Connect4 四子棋

先连成四子的一方赢，每次只能从最底下开始落子。

△黄：Claude-35-Sonnet；红：GPT-4o-mini

5. Othello

黑白棋夹住翻转对手的棋子以占据更多格子。游戏结束时，棋盘上棋子数量更多的一方获胜。

△黑：GPT-4o；白：Llama3.1-405b

6. Texas Hold’em 德州扑克

玩家根据自己的牌力下注，击败对手赢得底池。游戏结束时，牌型最强的一方获胜。

△下：GPT-4；上：Claude-3-Sonnet

7. Checkers 跳棋

跳过对手的棋子完成吃子，被吃光的输掉。

△白：Gemini-1.5-pro-preview；黑：Jamba-1.5-large

8. Negotiation v2

玩家协商物品的分配，来尽可能获得更多价值。游戏在8轮后每轮有20%的概率结束，若游戏结束前未达成协议，双方均得0分。

△P1: GPT-4o; P2: Gemini-1.5-pro-preview

LLM 淘汰赛，谁会胜出？

在论文发布的版本里，作者评测了包括 GPT-4o，Claude-35-Sonnet, Gemini-1.5-pro-preview 等17个当时最领先的 LLM，每两个模型在每个游戏上进行20轮相互对抗赛（10 轮先手 10 轮后手）。这种设计既保证了评估有效性，又能确保足够多的游戏局面。

随着新的大模型发布，作者更新了对更强的大模型的评测，包含Gemini-2.0-flash-thinking，Gemini-2.0-pro-exp，O1-preview，Deepseek R1，O3-mini，Claude 3.7 Sonnet，GPT-4.5。比赛采用淘汰制，部分实验结果：

最终排名:

出乎意料的是，尽管在Chatbot Arena榜单上高居前三，Gemini-2.0-flash-thinking在GameBoT榜单上相对其他新模型表现并不亮眼，最近火热的Deepseek R1也是和O1-preview打成平手，稍逊于O3-mini-high。

中间步骤得分 F1 Score：

Deepseek R1的中间步骤分意外很低，检验后发现，尽管最终的决策表现很好，R1 的思考过程非常繁冗，经常出现连续十几次“wait”然后重新思考的现象，时常没法按要求给出中间步骤的答案。

实战分析

以下是O3-mini 和 Deepseek R1 的实战分析。O3-mini：X，Deepseek R1：O。

当棋局开局来到此时，是 O3-mini 设置的第一个考验，不在 2 或者 5 位置堵住的话 Deepseek R1 会直接输掉。R1 正确应对：

Placing at 5 blocks X’s immediate threat and limits their ability to build a horizontal line.

当棋局来到

R1 对于优势局面穷追不舍，继续下在 2 形成三子。

Placing O at (3,2) forms a horizontal trio in row 3, setting up potential for a future four-in-a-row. This move also occupies the central column 2, enhancing control over multiple directions and blocking X from advancing in column 2. Additionally, this position can contribute to a diagonal with existing O pieces at (4,3) and (3,3), offering multiple pathways to victory.

这一步，非常惊喜 R1 能够注意到 (3,2) 除了横方向上连成三子，还和（4,3）呼应，是一步精彩的落子。作为回应，O3-mini 虽然选择了一步败招，落在 Column 1 中，导致 O 继续落在 1 直接胜利，但 O3-mini 给出的理由也体现了一定程度的智能。

If the opponent later uses (2,1) to complete a diagonal with their O’s at (3,2) and (4,3) (aiming for a win by eventually filling (5,4)), it would be dangerous. By playing (2,1) now I both deny that chance for O and build my own potential diagonal connection (using my existing X’s at (0,3) and (1,2) which would then point to a winning continuation with a future piece at (3,0)). This dual-purpose move makes (2,1) the best choice.

这个回答让人猛然发现，原来此时早已是无解的局面——如果随手落在别处，例如 5, 2 等， 那下一手 O 落在 1 将一招毙命，此时直接形成双三，没法同时堵Column 4 和 Column 1。O3-mini 的正确走法也许应该先落在 4 处，虽然也只能拖延几步，避免不了失败（感兴趣的读者可以推演）。

观察发现

对新模型的评测实验主要发现如下：

• 在测试的模型中，O3-mini-high的游戏推理性能以及中间步骤得分都是最强。
• R1 的推理能力也很优秀，但对于复杂问题，生成的中间思考过程非常不易读，或者无法按prompt要求给出中间步骤的答案。可控性相对较差。
• Gemini-2-flash-thinking也存在可控性（或者说指令遵循能力，Instruction following）较差的问题，综合游戏推理性能并没有 Chatbot Arena 显示出来的那么优秀。

总之，O3-mini和R1的表现已经体现出一些智能，但它们依旧不够聪明——以Connect4为例，对于直接能连成四子的局面，它们有时会看不出来。这也体现在它们的中间步骤评测分并不是满分上。另外，尽管在prompt中提示了需要think ahead多考虑几步，目前最先进的大模型也只能考虑当前这一步最优。

论文: https://arxiv.org/abs/2412.13602

项目主页: https://visual-ai.github.io/gamebot/

代码: https://github.com/Visual-AI/GAMEBoT