谷歌DeepMind最近宣布对其公开基准测试平台Game Arena（Game Arena）进行了重大升级，正式推出了两款经典策略游戏：“狼人”和“扑克”。这一举措标志着人工智能性能评估从简单的逻辑作（如国际象棋）转向复杂的社会推理和不确定决策。
评估维度：从逻辑思维到社会欺骗
DeepMind认为，传统测试已不足以区分顶级模特之间的细微差别。新增的游戏旨在测试不同维度的人工智能认知能力：
- 狼人：重点评估模特的沟通能力、语言说服力以及识别/利用谎言的能力。
- 扑克：模拟现实世界中复杂的决策，测试模型处理不完整信息和风险管理的能力。
- 国际象棋：它依然作为纯逻辑思维和长期规划的标杆。
实力排名：Gemini3家族主导
根据最新的Elo排名，谷歌新一代的Gemini3Pro和Gemini3Flash展现了强大的实力，在所有国际象棋和策略游戏中均位列顶尖水平。令人惊讶的是，轻量级的Flash模型在需要快速迭代和即时反馈的游戏中表现异常出色，而Pro版本则在深度规划方面保持优势。
双重 安全研究的价值
除了性能演示外，DeepMind还强调了“狼人”基准测试在人工智能安全领域的潜力。该场景模拟了现实世界的控行为检测，使模型能够在受控环境中学习识别恶意引导，而无需实际后果。Google DeepMind首席执行官Demis Hassabis表示，随着模型能力的指数级增长，行业迫切需要此类具有挑战性、现实导向的“压力测试”。
目前，Game Arena 已在 Kaggle 平台上运行，开发者可以实时观察顶级模特在这些高压社交游戏中的表现。
