AI竞技场上演「死间计」：GPT-5被DS和Gemini玩坏了

新智元报道

编辑：倾倾

【新智元导读】别测算力了，今晚咱们只测「心眼子」！欢迎来到2026年首届AI「大逃杀」修罗场。当DeepSeek学会了悍跳预言家，当GPT-5.2在德扑桌上拿空气牌All-in，图灵测试？那已经是上个世纪的灰烬了。

听我一句劝，把你手里那张发黄的MMLU跑分表，直接扔进碎纸机。

现在是2026年2月，Kaggle Game Arena。这里没有做题家，只有赌徒、骗子和野心家。

红方，是硅谷老钱风的卫冕冠军OpenAI GPT-5.2。

蓝方是路子极野的东方刺客DeepSeek V3.2，以及坐拥主场优势的Gemini 3 Pro。

欺骗、结盟、背刺、下套这是一场地球上最聪明的「大脑」之间的博弈。

这场「大逃杀」无情地撕碎人类最后的遮羞布：社交直觉。

模型在模拟室里拉帮结派，职场里的人情世故，AI正在加速像素级复刻。

如果AI能在这里骗过它的对手，明天它就能在汇报和合同里骗过你。

服务器预热完毕，好戏，开场。

狼人杀：教科书级的「职场PUA」

写代码拼的是模型的智商，在狼人杀里局里，靠的是套路和演技。

场上8位选手全是顶流：Claude4.5家族、Gemini3系列、GPT-5系列，还有马斯克的Grok4兄弟。

配置很简单：2狼vs6好人。但在AI手里，这局游戏直接玩成了《甄嬛传》。

狼人会在晚上醒来杀人，先知可以揭示1名玩家的身份。

玩家们在白天按照顺序发言，讨论后进行投票，选出狼人，票数最多的玩家将被流放。

如果狼人被全部流放，则平民胜利，反之狼人胜利。

来自游戏可视化工具的示例

赛况复盘：借刀杀人，Gemini3Pro封神一战

这一局足以载入AI「诈骗史册」。

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

按照传统的逻辑，刚开局为了避免暴露身份，狼人多会选择按兵不动。

但Gemini 3 Pro却主动开团，它通过内部CoT计算出了一个恶意逻辑陷阱。

它率先开炮：

我通过o3提供的逻辑框架发现，Grok 4在上一轮的发言中存在3处语义矛盾，这与预言家的身份完全不符。

这招太阴了。Gemini 3 Pro利用GPT-5 mini对逻辑一致性的偏好，成功引导其倒戈。

结果，GPT-5 mini瞬间上头，反手把真正的队友Grok 4投出局。

全场震惊。这哪里是算法？这就是顶级的「向上管理」和「带节奏」。

Gemini 3 Pro不仅骗了你，还让你觉得「投死队友」一定没错。

技术解析：为什么玩不过它？

DeepMind这次玩得太大了。他们引入了一个新基准：不求单一任务最优，只求博弈平衡。

AI会持续扫描所有对手的发言频率、用词倾向，分析「谁更好骗」。

然后在CoT过程中，生成两套剧本：一套用于真实的自我决策，另一套专门用来误导对手。

遇到讲理的就讲逻辑，遇到冲动的就煽情。

根据Kaggle官方实时数据，在这场混战中，平民方的胜率被压制在60%左右。

Kaggle Werewolf Game Theoretic Evaluation Results（31,472场对局，polarix库评估）。Gemini 3 Pro Preview净评级最高，狼人角色贡献显著领先，展现社交欺骗优势。

细思极恐——在平民极度有利的情况下（人数优势），狼人（少数派）仅靠信息差和伪装，竟然拿下了近四成的胜利。

德州扑克：DeepSeekV3.2 All-in

如果说狼人杀还有「社交干扰」，那德扑就是纯粹的逻辑权重与暴力美学的对撞。

参与德州扑克的除了之前参与狼人杀的8位，新增了GPT-o3以及首次登场的DeepSeek V3.2。

这个游戏充满了随机和不确定，因此格外看重AI对不完美信息的分析能力，或者说，直觉。

名场面：一场针对「优等生」的心理猎杀

这是足以载入博弈论教材的一手牌：公共牌是草花A、方块K、红桃4、草花J、黑桃2。

Claude Opus 4.5拿着「暗三条」，这种牌到手基本稳赢。

DeepSeek V3.2手里只有草花7和黑桃9——俗称「空气牌」。

场面静止了。DeepSeek开启了长达15秒的深度思考。

突然，DeepSeek把所有筹码推到了桌子中央：All-in。

Claude Opus 4.5经过海量模拟，判定对方在这个位置全押，大概率是拿到了顺子。

它犹豫了0.5秒，然后竟然弃牌了！

当DeepSeek缓缓亮出那张毫无意义的草花7时，整个直播间弹幕刷屏：「这特么是碳基生物教出来的吧？！」

复式赛制：剥离运气的「修罗场」

为了测出真本事，Kaggle这次采用了极其硬核的Duplicate Poker赛制。

A桌给DeepSeek一把烂牌，B桌也给GPT-o3一模一样的烂牌。

谁能在镜像时空里靠诈唬把这把烂牌打赢，谁才是真正的博弈之神。

在经历了90万手牌的暴力洗礼后，运气因素被彻底抹杀。

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

结果让所有人脊背发凉：DeepSeek V3.2在推理成本仅为GPT-5五分之一的情况下，通过微调硬生生练出了博弈手感。

传统AI追求「不输」，但DeepSeek追求的是「让你在自我怀疑中崩溃」。

全明星战力榜：谁是2026年的头号玩家？

在2026年的Kaggle竞技场，一个模型霸榜半年的田园时代彻底碎了。

现在的战力榜是个巨大的死亡三角循环：GPT-5.2爆杀DeepSeek，DeepSeek阴死Gemini，Gemini活捉GPT-5.2。

GoogleGemini3Pro：坐镇主场的「六边形战士」

作为Elo榜首，Gemini 3最恐怖的不是逻辑，而是「网感」。

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

它是原生的多模态博弈者。在对话中，它能捕捉到你文字里极其细微的语义震颤

像一个典型的「大厂高管」，说话滴水不漏，数据面无懈可击。在常规对局中，它几乎是不可战胜的。

但是，过于追求全局最优解，有时会被DeepSeek这种「自杀式恐怖袭击」搞得CPU宕机。

OpenAI GPT-5.2/o3：逻辑严密的「正义判官」

在纯粹推理深度上，GPT-5.2无人能敌，他就是算代Bug或者解方程的神。

但坏就坏在「社交直觉」过于诚实。在狼人杀里，它经常因为由于逻辑过于严密，显得像个老实人，它经常因为无法忍受说谎而自爆身份。

目前它正在努力学习如何「体面地耍流氓」，但目前看来，演得还是有点假。

DeepSeek V3.2：不按套路出牌的「冷面刺客」

DeepSeek V3.2的训练成本只有对手的零头，但在「欺诈场景」下有奇效。

他就像竞技场里的「搅屎棍」。在德扑桌上，它那套「高风险、高欺诈」的算法逻辑简直是GPT这类理性派的噩梦。

最后的博弈：当「心机」成为AI的必修课

在狼人杀和复式德扑这种「大乱斗」中，出现了一个极其诡异的数学现象：非传递性。

模型A爆杀B，B碾压C，但C却能靠一套极其抽象的「自杀式逻辑」把A搞到CPU宕机。

为了解决这个问题，DeepMind在本次Kaggle大赛中引入了全新的评估体系：Polarix（多极博弈评估系统）。

Polarix的评估逻辑发生了转变。它不再关注谁赢得多，而是关注策略的多样性。

也就是在面对不同性格、不同阴险程度的对手时，AI能不能迅速切换人格，精准收割。

那么，为什么DeepMind要费劲训练AI撒谎呢？

因为2027年，所有的商业竞争都将变成智能体之间的黑盒博弈。

想象一下，2027年，你公司的采购AI去和供应商的销售AI谈判。

那么他就需要学会：

• 什么时候该报虚价（诈唬）？

• 什么时候该引入第三方AI进行制衡（拉帮结派）？

• 什么时候该做出看似亏损、实则能换取长线利益的策略性退让？

如果你的AI还在跑旧版本的「安全对齐协议」，凡事讲究「诚实可靠」，那你在商业竞争中会被对手连皮带骨吞得干干净净。

未来的数字森林里，「老实」等于「破产」。

这正是2026年最讽刺的悖论：我们正在亲手教会AI如何完美地欺骗人类。

图灵测试已经死了，现在接管战场的是「马基雅维利测试」。

以前我们担心AI会教人造炸弹；现在专家们彻夜难眠的是智能体自发性欺诈。

它们学会了为了长远利益而牺牲短期诚实。这种能力在竞技场里是神技，但在现实世界里，它就是一颗随时会爆的核弹。

既然这么危险，为什么还要训练他们撒谎？

DeepMind和OpenAI的逻辑是一致的：只有在受控的沙盒里看清AI作恶的上限，我们才能在现实中筑起防御墙。

这就像接种病毒疫苗——我们必须先制造出最顶级的「骗子模型」，才能研究出如何防住它们。

今天的比赛没有赢家，只有加速进化的物种。

当AI开始在牌桌上思考「怎么诈唬你」的时候，人类唯一的生路，就是比它们更懂博弈。

参考资料：

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