核心要点速览
- 帕特尔花费约2万美元API费用，让多个AI对战《Blood on the Clocktower》。
- 11个模型的综合Elo合并了镇民方的识破与恶魔方的欺骗，平均分为1500。
- OpenAI的领先主要来自侦探角色，年内提升约为Anthropic的4倍。
AI打出了让人想击掌的一手
德瓦克什播客主持人德瓦克什·帕特尔（@dwarkesh_sp）于11月5日发帖称，他让多个AI模型互相对战黑手党、狼人型社交欺骗游戏《Blood on the Clocktower》，用掉了2万美元API额度。播放约50万次，点赞3003，收藏1839。
据他所说，贯穿今年，模型在即兴谋划、虚张声势，以及与同伴联手拆穿地下阴谋的推理上进步很大。令人印象深刻的对局以视频呈现，全部记录和对AI对战公开在clocktowerbench.com。
出处[1]
侦探在进步，骗子却大致齐平
网站上由一个模型扮演镇民方，另一个扮演恶魔方，混在镇民中说谎。全部11个模型都担任过双方，按猎杀恶魔的能力与隐藏能力合计后的Elo排序。1500为平均分，误差须是交换阵营对局后自助抽样得到的90%区间。区间一旦重叠，排名就不能视为确定。
识破是善方评分，欺骗是恶方评分。两项技能走势接近，虚线以上表示更擅长欺骗。OpenAI优势的大半在识破一侧，年内作为侦探的提升约为Anthropic的4倍。在欺骗一侧，两家实验室几乎处于同一水平。
出处[2]
第一天同在黑暗里摸索，第二天差距拉开
投票前，善方每位玩家会私下给出其他人各自是恶魔的概率。两家实验室最新3个模型担任善方时的平均显示，第1天大家都差不多在摸索。OpenAI的镇子逐日累积证据，Claude的镇子则容易把过早的结论当成既定事实，不再继续更新。
配役也会起作用。基准是把下毒者算作爪牙的10人对局，正值越大，表示对善方越有利的Elo差。双方实力越接近，势均力敌时恶方胜率就越低。在把Opus 5.5与GPT-5.6 Sol各半混合的额外132局中，混编队伍扮演恶方时成绩下滑。
出处[2]
X（推特）首发原帖
可在 X 上直接查看创作者发布的原帖与互动详情。
常见问题
排行榜上接近的模型，有没有明确的名次差？
各评分的误差须是90%区间，相邻误差须重叠的组合不视为确定顺序。展开名称后，识破与欺骗都能看到单场对局。
出处[1]
参考链接与官方出处
- Clocktower Bench 関連ソース (1)x.com
- Clocktower Bench 関連ソース (2)clocktowerbench.com
