谷歌 DeepMind 与 Kaggle 联合宣布对公开基准测试平台 Game Arena（游戏竞技场）进行重大升级，正式引入“狼人杀”与“扑克”两款经典策略游戏。这一举措标志着 AI 性能评估已从传统的逻辑运算（如国际象棋）向更复杂的社交推理与不确定决策领域跨越，开启了 AI 认知能力测试的新篇章。
测评维度：从逻辑思维到社交伪装
DeepMind 指出，传统的测试方式已难以有效区分顶尖 AI 模型的细微差距。新加入的“狼人杀”和“扑克”游戏旨在从不同维度极限测试 AI 的认知能力，推动 AI 技术向更高层次发展。
狼人杀：侧重评估模型的沟通技巧、语言说服力以及识破/利用谎言的社交感应能力。通过模拟多人参与的复杂社交场景，狼人杀能够全面考察 AI 在信息不对称环境下的沟通策略与心理博弈能力。
扑克：模拟真实世界的复杂决策过程，测试模型在面对不完整信息和风险管理时的博弈能力。扑克游戏不仅考验 AI 的计算能力，更对其风险控制、心理判断和策略调整能力提出严苛要求。
国际象棋：继续作为衡量纯粹逻辑思维与长程规划的基础指标。作为经典的逻辑推理测试平台，国际象棋将保持其重要地位，为 AI 逻辑能力的评估提供稳定基准。
战力排行：Gemini3 家族全面制霸
根据最新公布的 Elo 排名，谷歌新一代模型 Gemini3Pro 与 Gemini3Flash 展现出统治级实力，在所有棋类与策略游戏中均位列第一梯队。令人意外的是，轻量级的 Flash 模型在某些需要快速迭代和即时反馈的博弈场景中表现尤为出色，而 Pro 模型则在深度规划上保持领先，展现了不同架构模型的独特优势。
安全研究的双重价值
除了性能展示，DeepMind 还强调了“狼人杀”基准测试在 AI 安全领域的巨大潜力。该场景模拟了现实中的操纵行为检测，让模型在受控、无实际后果的环境中学习识别恶意引导，为 AI 安全研究提供重要实践平台。谷歌 DeepMind 首席执行官 Demis Hassabis 对此表示，随着模型能力的指数级增长，行业亟需此类更具挑战性、更贴近现实动态的“压力测试”，以确保 AI 技术的安全可靠发展。
目前，Game Arena 已在 Kaggle 平台开放，开发者可实时观察全球顶尖模型在这些高压社交博弈中的表现，共同推动 AI 技术的进步与创新。这一开放平台将为 AI 研究者提供宝贵的数据和洞察，促进 AI 技术在更广泛领域的应用与发展。