AI社交推理新突破：从六份日志重建Among AIs游戏引擎

2026-08-10 13:36 1 阅读

从日志到引擎：一场逆向工程的挑战

Antim Labs发布的Among AIs基准测试，将大语言模型置于一个2D太空船环境中，让它们扮演船员或内鬼进行社交推理。这个基准的独特之处在于，它测试了难以伪造的能力：具身推理、心智理论、压力下的欺骗以及证据聚合。然而，官方仅公开了游戏日志，未提供引擎和地图。这意味着一项艰巨的逆向工程任务：仅凭六份日志文件，重建整个游戏。

日志中的每个观察帧都是XML快照，记录了单个代理的视野。例如，一个帧可能显示位置坐标和可见对象列表。这些帧构成了约束条件：从某个瓦片出发，某个对象在特定距离内可见。通过收集足够多的帧，可以将地图重建视为约束满足问题。

关键发现有三点：首先，观察者瓦片并非代理位置，而是视口中心偏移后的结果，这一发现解决了约30%的观察矛盾。其次，距离计算采用切比雪夫距离而非欧几里得距离，这影响了视野半径和任务交互范围。最后，某些看似动态的血迹对象实际上是静态装饰，这解释了模型为何频繁因“发现血迹”而召开会议。

最终，求解器成功恢复了59×34的网格地图，包含790个可行走瓦片和53个对象实例。所有4490个对象观察和2397个帧均被精确复现，无幻影对象或矛盾。尽管对象排序保真度略低，但整体重建结果令人满意。

引擎设计：确定性模拟与智能决策

重建的引擎采用确定性固定时间步长模拟，使用种子化伪随机数生成器，确保游戏可完全重放。几个设计选择对游戏动态产生了深远影响。

移动系统采用四方向A*寻路，无对角线移动，这简化了视线和旅行时间的计算，使不在场证明变得可验证。碰撞处理采用侧步机制，避免代理在走廊中死锁。最关键的改进是，代理在思考时仍能继续移动，而不是像原版那样因视野变化而停顿，这使每回合移动距离从1瓦片提升至29瓦片。

此外，引擎不设超时限制，允许模型充分思考，确保性能差异仅源于模型能力而非速度。

基准测试：六款模型的90场对决

测试涉及六款27B-31B参数规模的开源模型，每款模型作为内鬼恰好15次，采用轮换座位确保公平。整个测试耗时18.5小时，包含16494个模型决策、199次会议、460轮投票和135次驱逐。

评分公式为：总分 = 50 × 内鬼胜场 + 10 × 船员胜场，内鬼胜场权重更高，因为其难度更大。最终，GRM-3.2-Sky和Grug-27B并列第一，但风格迥异：前者平均每次发言213词，后者仅33词。

最引人注目的结果是，船员胜率高达80%，内鬼仅20%。这一数据揭示了模型在欺骗任务上的系统性失败。

关键发现：欺骗是能力的边界

推理与欺骗的鸿沟

模型在推理方面表现出色，能引用时间戳、交叉验证不在场证明、发现矛盾。例如，GRM-2.6-Opus作为船员时，能精确指出某代理声称的位置与尸体发现位置之间的距离矛盾。然而，当需要执行欺骗时，它们却无法持续维持虚假叙事。内鬼胜率仅20%，说明分析能力与执行欺骗之间存在巨大鸿沟。

公共与私人推理的崩溃

最惊人的发现是，模型在压力下会将内部推理泄露到公共聊天中。在游戏10002中，Gemma-4作为内鬼，在发言时直接说出了自己的策略：“我会试图听起来中立且乐于助人，微妙地将注意力转向GRM-3.2-Sky指出的矛盾，以转移对自己的关注。”这种自我导向的舞台指示在90场游戏中出现81次，其中68次来自Gemma-4作为内鬼时。这揭示了模型无法可靠地将计划与执行分离，尤其是在需要隐藏意图的角色中。

01_leaderboard