耗资 2 万美元血染钟楼 AI 测试GPT 6.2 Astra 推理能力相比上代提升有限

博主 Dwarkesh Patel 投入约 2 万美元 API 费用,搭建了血染钟楼 Benchmark 测试,一共跑了 386 局对局,让 GPT 6.2 Astra 和多款主流大模型互相对战,测试结果显示,GPT 6.2 Astra 在这款需要长期社交推理、识别谎言、分辨真假信息的游戏里,整体表现没有比上一代 GPT-6 Astra 强多少,和官方专业任务跑分的亮眼提升形成明显反差。血染钟楼和普通刷题基准不一样,它属于多轮社交推理游戏,玩家需要持续记忆大量碎片化发言、识别对方刻意撒谎、从矛盾信息里推理身份,很考验模型长上下文记忆、心智推理、谎言识别能力,这也是这个测试被业内关注的原因。整套测试流程是,每一局里一个模型统一扮演好人阵营,另一个模型统一扮演邪恶阵营,自动跑对局,最后用 Elo 分数衡量模型的推理识谎水平,所有对局记录、分数榜单都对外公开在 clocktowerbench 网站。综合这次测试的结论,GPT 6.2 Astra 在专业 Agent、代码、科研这类标准任务上提升明显,但在需要持续博弈、心理推演、识别刻意欺骗的社交推理场景,进步幅度很小,说明模型不同能力的进化是不均衡的,官方跑分强不代表所有复杂推理场景都同步变强。

一、血染钟楼测试基础信息

  • 测试发起者:Dwarkesh Patel
  • 总投入成本:约 2 万美元 API 调用费用
  • 总对局数量:386 局
  • 测试平台:clocktowerbench
  • 对战模式:一方模型全权扮演好人阵营,另一方模型全权扮演邪恶阵营
  • 核心考核能力:长程记忆、信息矛盾识别、识谎、博弈推理、多轮一致性

二、核心模型测试简表

模型Elo 得分测试观察结论
GPT-6 Astra1859上代版本,识谎能力突出,擅长抓发言矛盾
GPT 6.2 Astra接近上代水平提升微弱,没有拉开明显差距,识谎、博弈优势没有放大
Claude Opus 4.6低于 Astra 系列面对 GPT-6 Astra 胜率仅 8% 左右

三、GPT 6.2 Astra 表现平平的原因清单

  1. 能力侧重差异:OpenAI 这次迭代重点优化专业任务、计算机操作、代码、科研,没有优先强化社交博弈、心智理论能力
  2. 欺骗场景很难优化:刻意撒谎、话术伪装属于对抗性输入,模型很容易被变体话术绕晕,很难通过常规预训练快速提升
  3. 长上下文一致性瓶颈:多轮游戏里信息零散,模型容易遗忘前面的关键发言,出现前后推理矛盾
  4. 对齐偏好约束:模型对齐倾向于诚实表达,主动博弈、伪装、识别欺骗的能力提升难度更高

四、这个测试和官方基准跑分的区别

  1. 官方 Benchmark:结构化题目、标准答案,偏向解决客观任务,模型更容易稳定提分
  2. 血染钟楼 Benchmark:开放对抗环境,对手主动输出虚假信息,没有标准答案,属于对抗式推理测试
  3. 参考价值:可以用来观察模型的心智理论、识谎能力,但不能直接等同于模型综合能力

五、测试的局限点

  1. 是 AI vs AI 自动对局,不是真人对战,缺少真人灵活的话术套路
  2. 单一场景测试,只代表社交推理能力,不能否定 GPT 6.2 Astra 在其他领域的提升
  3. 提示词、对局脚本会影响结果,不同 prompt 设置下分数会有浮动

【相关 FAQ】

问题 1:耗资 2 万美元血染钟楼 AI 测试,GPT 6.2 Astra 表现怎么样?

回答 1:耗资 2 万美元血染钟楼 AI 测试,GPT 6.2 Astra 在血染钟楼对抗推理场景,整体表现相比上一代 GPT-6 Astra 提升有限,没有拉开明显差距,和官方专业任务跑分的强势表现不一样。

问题 2:耗资 2 万美元血染钟楼 AI 测试,血染钟楼这个测试主要考验 AI 什么能力?

回答 2:耗资 2 万美元血染钟楼 AI 测试,血染钟楼是社交推理类游戏,重点考验 AI 长记忆、识别谎言、抓取发言矛盾、持续博弈推理的心智理论能力,和普通刷题基准不一样。

问题 3:耗资 2 万美元血染钟楼 AI 测试,为什么 GPT 6.2 Astra 跑分很强,血染钟楼却进步不大?

回答 3:耗资 2 万美元血染钟楼 AI 测试,GPT 6.2 Astra 迭代重心放在代码、计算机操作、科研等专业任务,社交识谎、对抗博弈这类心智推理能力不是本次优化重点,对抗欺骗场景本身也很难训练提升。

问题 4:耗资 2 万美元血染钟楼 AI 测试,这个测试结果能不能说明 GPT 6.2 Astra 整体不强?

回答 4:耗资 2 万美元血染钟楼 AI 测试,这个测试仅代表社交识谎博弈这一个细分场景,不能否定 GPT 6.2 Astra 在 Agent 任务、代码、科研等官方基准上的提升,只是模型能力进化不均衡。

【参考资料】

[2026-11-10](花 2 万美元让 AI 互相撒谎:在血染钟楼里,GPT-6 Astra 靠抓骗子登顶)发现 AI

[2026-11-06](Dwarkesh Patel made AI models lie to each other, and GPT-6 Astra won)AI Insiders

[2026-11-05](ClockTowerBench:血染钟楼 AI 博弈基准介绍)Dwarkesh Patel 博客

[2026-11-04](GPT 6.2 Astra 官方基准评测报告)OpenAI

[2026-11-03](大模型心智推理、识谎能力评测难点分析)AI 研究公众号

【免责声明】

以上内容整理自博主公开的血染钟楼 AI 对抗实验与行业报道,该测试属于单一场景对抗评测,对局脚本、提示词、参数设置都会影响最终 Elo 分数,结果仅作为细分能力参考,不代表 GPT 6.2 Astra 整体能力评判。

本文来自作者[雾构网关]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/rgzn/202611/3986.html

赞 (8)

今日大家都在搜的词:

发表回复

本站作者后才能评论

评论列表(4条)

  • 雾构网关
    雾构网关 2026年11月18日

    我是乌兰科技网的签约作者“雾构网关”!

  • 雾构网关
    雾构网关 2026年11月18日

    希望本篇文章《耗资 2 万美元血染钟楼 AI 测试GPT 6.2 Astra 推理能力相比上代提升有限》能对你有所帮助!

  • 雾构网关
    雾构网关 2026年11月18日

    本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索

  • 雾构网关
    雾构网关 2026年11月18日

    本文概览:博主 Dwarkesh Patel 投入约 2 万美元 API 费用,搭建了血染钟楼 Benchmark 测试,一共跑了 386 局对局,让 GPT 6.2 Astra 和多款主流大模型互相对战,测试结果显示,GPT 6.2 Astra 在这款需要长期社交推理、识别谎言、分辨真假信息的游戏里,整体表现没有比上一代 GPT-6 Astra 强多少,和官方专业任务跑分的亮眼提升形成明显反差。血染钟楼和普通刷题基准不一样,它属于多轮社交推理游戏,玩家需要持续记忆大量碎片化发言、识别对方刻意撒谎、从矛盾信息里推理身份,很考验模型长上下文记忆、心智推理、谎言识别能力,这也是这个测试被业内关注的原因。整套测试流程是,每一局里一个模型统一扮演好人阵营,另一个模型统一扮演邪恶阵营,自动跑对局,最后用 Elo 分数衡量模型的推理识谎水平,所有对局记录、分数榜单都对外公开在 clocktowerbench 网站。综合这次测试的结论,GPT 6.2 Astra 在专业 Agent、代码、科研这类标准任务上提升明显,但在需要持续博弈、心理推演、识别刻意欺骗的社交推理场景,进步幅度很小,说明模型不同能力的进化是不均衡的,官方跑分强不代表所有复杂推理场景都同步变强。

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们