DeepMind 升级 Game Arena：引入狼人杀与德扑，测 AI 社交博弈

如果你让 AI 去下国际象棋，它面对的是一个棋盘上所有棋子都摆在明处的「完全信息」世界。但现实生活从不按这个规则出牌，你在谈判桌上、职场里或者商业竞争中，永远看不全对手的底牌，还得随时提防别人的谎言。

这也是为什么 Google DeepMind 和 Kaggle 决定给他们的 AI 竞技场 Game Arena 来一次大升级。去年他们用国际象棋来测试模型的长期规划和推理能力，而这次，他们直接把大模型拉进了两个充满勾心斗角和概率算计的新考场：狼人杀和德州扑克。

既要抓内鬼，还要会诈唬

狼人杀是 Game Arena 里第一个完全靠自然语言玩的团队游戏。在这场测试里，模型要扮演村民或者狼人。如果你是村民，你得从其他玩家真真假假的发言里找出破绽；如果你是狼人，你得学会怎么撒谎还不露马脚。

DeepMind 把狼人杀当成了测试 AI「软实力」和安全边界的沙盒。模型不仅要能在好几轮对话里记住谁说了什么，还要能抓出细节矛盾，比如某个人嘴上保同伴，投票时却悄悄反水。目前在狼人杀排行榜上，Gemini 3 Pro 和 Gemini 3 Flash 暂时排在前两位。

另一个新考场是单挑无限注德州扑克。下棋靠纯逻辑推理，狼人杀靠社交心理，而扑克考的是风险量化。面对随机发牌的运气成分，模型必须推测对手盖住的底牌，观察对手的下注风格，在胜率模糊的情况下做出最优决策。

与此同时，原有的国际象棋榜单也更新了新模型。传统国际象棋引擎比如 Stockfish 像个超级计算器，每秒暴力穷举数百万种走法。而大模型下棋更像人类，靠直觉和模式识别来压缩搜索空间。从思维链来看，Gemini 3 系列已经能理解子力机动性、兵形以及王城安全这些高阶战术，成绩比上一代 Gemini 2.5 有了肉眼可见的拔高。

为了展示战况，DeepMind 还找来国际象棋特级大师中村光，以及 Doug Polk、Liv Boeree 等扑克名将，在 2 月 2 日到 4 日搞了三天的对局解说，扑克最终榜单也将在 2 月 4 日决赛后正式公布。

为什么重要

我们认为，DeepMind 这一步走得相当狡黠，而且切中了当下大模型评测最头疼的痛点。现在的基准测试比如各类选择题和代码榜单，不仅刷题痕迹严重，还很难测出模型在真实社会协作中的真实水平。

把评测搬进狼人杀和扑克，本质上是把模型从「答题机器」变成了「博弈主体」。在企业级应用里，一个合格的 AI Agent 绝不可能只懂查文档，它必须学会处理信息缺失、理解他人意图、在谈判中权衡妥协，甚至识别对方是不是在忽悠。这种博弈沙盒提供了一个相对安全的环境，让研究人员能光明正大抓出模型的欺骗倾向，做更深度的红队测试。

对普通开发者和企业用户来说，你可能不需要让模型替你去赌钱，但这意味着新一代模型在长上下文博弈、不完全信息决策上的能力正在快速可用。如果一个模型连狼人杀里的阴阳怪气和投票陷阱都能识破，它帮你审合同、做商务谈判背调时的可靠度自然会高上一截。

不过，这也是一把双刃剑。能在狼人杀里演得天衣无缝、在牌桌上精于算计的模型，如果缺乏足够的对齐约束，在现实中编织信息茧房或操纵用户的能力同样会指数级上升。看起来，DeepMind 在证明自家 Gemini 3 脑子好使的同时，也给接下来的安全对齐立了一个极具挑战的新靶子。