这次知名 AI 博主 Dwarkesh 投入 2 万美元 API 额度,用血染钟楼(Blood on the Clocktower)这款多人社交推理、欺骗博弈桌游搭建测试基准,让 GPT-6 Astra 和 Claude Opus 5.5 等前沿大模型化身 AI 玩家自动对局,在多轮对局统计下 Astra 对阵 Opus 5.5 拿到 82% 的胜率;血染钟楼和普通刷题、代码 benchmark 完全不一样,它考验模型的动态撒谎、伪装身份、私下串通、识别谎言、逻辑博弈、话术说服等社交类智能,不是静态知识推理,这个结果代表在高对抗、多轮口头欺骗博弈场景里,Astra 的临场伪装与反欺骗能力在这套实验环境里显著领先 Opus 5.5,整套测试一共跑了 300 多局完整对局,所有玩家全部是 AI 智能体,没有真人参与,每一局都要经历私聊、公开辩论、身份隐藏、投票处决完整流程,测试也顺带暴露不同模型的短板:Opus 5.5 容易出现话术偏保守、伪装破绽多、不会主动编织连贯谎言链条的问题,而 Astra 更擅长连贯编故事、把控发言节奏、隐藏身份、引导其他 AI 玩家的判断;但这个结论只限定在本次实验规则、prompt 配置、角色池条件下,不能直接等同于 Astra 综合能力全面强于 Opus 5.5。
一、本次血染钟楼实验核心参数表
| 项目 | 详情 |
|---|---|
| 总 API 投入 | 20000 美元 |
| 游戏 | 血染钟楼 Blood on the Clocktower,社交欺骗桌游 |
| 核心对战双方 | GPT-6 Astra(OpenAI) VS Claude Opus 5.5(Anthropic) |
| Astra 对 Opus5.5 对局胜率 | 82% |
| 总对局数量 | 368 局(全 AI 对局) |
| 测试重点能力 | 身份伪装、秘密串谋、谎言识别、多轮博弈、说服引导 |
| 参与形式 | 全部 AI 智能体,无人类玩家介入 |
| 变量限制 | 固定角色模板、统一游戏提示词、相同回合规则 |
二、血染钟楼 Benchmark 和传统评测的区别
- 传统基准:数学、代码、工具调用,答案有客观对错,偏向单步或者静态推理。
- 血染钟楼:没有标准答案,胜利依靠欺骗、话术、心理博弈;真话和假话都能成为取胜手段,属于开放社交对抗。
- 难点:模型需要记住上一轮所有人发言、保持人设统一、在私聊里和队友秘密配合、同时隐藏自己身份,非常考验长上下文一致性和临场动态规划。
三、两个模型在本局测试里的典型表现
- GPT-6 Astra:更容易产出逻辑自洽的谎言,懂得主动抛出假线索、引导舆论,私聊环节和己方阵营 AI 配合连贯,不容易前后发言自相矛盾,欺骗链路更完整。
- Claude Opus 5.5:推理基础能力不差,但欺骗姿态偏僵硬,容易下意识回避主动撒谎,编造的故事容易出现前后冲突,容易被对手抓住漏洞,在需要主动欺骗取胜的坏人阵营里劣势更明显。
四、关键边界提醒
这个 82% 胜率不能泛化:这只是特定 prompt、固定脚本、游戏角色池、全 AI 环境下的结果。换一套角色、调整提示词、加入真人玩家、改变收益目标,胜率会发生明显变化。在代码、长文档分析、工具智能体等很多别的标准 benchmark 上,Opus5.5 依然有不少优势。
【常见问题】
问题 1:花 2 万美元,Astra 血染钟楼打 Opus 5.5 胜率 82%,这个测试是真人跟 AI 玩吗?
回答 1:不是,花 2 万美元做的 Astra 血染钟楼对战 Opus5.5 测试,所有对局玩家全部是 AI 智能体,没有真人参与,AI 之间互相欺骗、辩论、投票。
问题 2:Astra 血染钟楼对 Opus5.5 拿到 82% 胜率,是不是说明 Astra 整体比 Opus5.5 更强?
回答 2:不是,Astra 血染钟楼打 Opus5.5 胜率 82% 只代表在这个社交欺骗桌游的特定实验环境下占优;在代码、长文本处理、专业工具智能体等其他场景,Opus5.5 仍然具备很强竞争力,不同基准结论不能互相替代。
问题 3:血染钟楼这个 AI 测试,到底测的是模型什么能力?
回答 3:血染钟楼 benchmark 重点测模型社交博弈能力,也就是 Astra 对战 Opus5.5 比拼的:身份伪装、动态撒谎、秘密阵营协作、识别别人谎言、持续保持人设、多轮说服引导这类偏社会推理的能力,和做题、写代码完全不是一类任务。
问题 4:这个 2 万美元是一次性给模型付费,跑一局游戏就要花这么多钱吗?
回答 4:不是,2 万美元是全部 368 局血染钟楼对局累计消耗的 API 费用,包含所有玩家模型每一轮对话、私聊、公聊的 token 开销,不是单局成本。
【数据来源】
[2026-11-06](Blood on the Clocktower: The AI Benchmark Built on Lying)MindStudio
[2026-11-06](GPT-6 Astra vs Claude Opus 5.5: Which AI Bluffs and Reasons Better?)MindStudio
[2026-11-06](OpenAI Leads Claude by 264 Elo in a $20K AI Deception Game)FourWeekMBA
[2026-11-05](Epoch: 72% Chance GPT-6 Astra Tops Opus 5.5, at 2.5x Price)FourWeekMBA
【免责声明】
本文中 Astra 血染钟楼对战 Opus 5.5、82% 胜率、2 万美元 API 成本、对局数量等信息来自博主 Dwarkesh 公开实验与 MindStudio 汇总解读;该实验属于趣味对抗基准,实验条件、提示词、角色配置会显著改变结果,不代表两个模型综合能力的官方排名;模型官方评测、行业标准基准的结论和本次桌游测试结论相互独立,本文内容仅为实验信息解读,不构成选型、采购模型的建议。
