这个测试是知名博主 Dwarkesh Patel 搭建的 Clocktower Bench 基准,一共花了约 2 万美元 API 额度,让不同 AI 模型互相对战血染钟楼,这是一款很考验社交推理、撒谎博弈、信息梳理的身份推理游戏,测试跑完几百局对战之后,大家发现 GPT 6.2 Astra 的博弈表现和上一代 GPT-6 Astra 差距很小,没有出现大幅跃升,虽然它依然能赢过 Claude 等竞品,但在欺骗逻辑、信息记忆、长线心理博弈上进步幅度低于市场预期,这个结果也和官方跑分形成反差,官方在代码、科学、Agent 任务上公布 GPT 6.2 Astra 有明显提升,但在这种多轮社交欺骗类任务里,迭代增益不明显,这个测试也提醒大家,单一跑分不能代表 AI 全部能力,不同场景下模型的进化速度差别很大。
一、血染钟楼测试基础信息
- 测试项目:Clocktower Bench,AI 互相对战血染钟楼(Blood on the Clocktower)
- 测试成本:约 2 万美元 API token 费用
- 对局数量:386 局对战,AI 分组分别扮演好人阵营、恶魔邪恶阵营
- 评估方式:Elo 分值,用来衡量模型博弈、欺骗、信息推理能力
- 参与模型:GPT 6.2 Astra、GPT-6 Astra、Claude 系列多款旗舰模型
- 核心结论:GPT 6.2 Astra Elo 得分小幅上涨,对比上一代提升幅度不大,领先优势主要是打其他厂商模型
二、GPT 6.2 Astra 在血染钟楼里的表现特点
- 优势:基础规则理解稳定,会合理编造谎言、隐藏恶魔身份,能识别对手的漏洞,对阵 Claude Opus、Fable 系列胜率依旧很高
- 短板:长时间多轮对局容易遗忘前面的发言信息,长线心理博弈策略比较固化,很难想出更有新意的欺骗方案
- 和上代差异:不会出现明显的实力断层,很多对局里两代模型的对战胜负五五开,没有一边倒
- 对比官方基准:在 Agent、代码、科学测试里 GPT 6.2 Astra 进步明显,但社交欺骗类任务属于短板场景,迭代很慢
三、为什么血染钟楼这个测试很难,对 AI 要求很高
- 它不是简单计算题,需要持续记忆所有人发言、身份、投票记录,属于长上下文推理
- 允许主动撒谎、伪装、误导,AI 要权衡什么时候说谎、什么时候说真话,属于对抗博弈
- 好人需要交叉验证线索,坏人要编织自洽谎言,还要预判对手的怀疑点,非常考验心智理论
- 每一局角色随机,没有固定解题模板,没法靠背诵标准答案拿高分
四、需要留意的关键点
- 2 万美元是 API 调用消耗,不是直接付费买评测报告,是大量对局累计 token 成本
- 这个只是单一场景测试,不能直接判定 GPT 6.2 Astra 整体不强,专业办公、代码任务的提升是真实存在的
- Elo 分小幅上涨,不等于没进步,只是在社交博弈赛道的迭代速度慢于其他赛道
- 测试是 AI 和 AI 互打,不是 AI 和真人对战,真人的临场思路、情绪变化不在这个测试范围里
【常见问题】
问题 1:花 2 万美元测 AI 玩血染钟楼,GPT 6.2 Astra 没比上一代强多少,这个测试是什么意思?
回答 1:花 2 万美元测 AI 玩血染钟楼的 Clocktower Bench 测试,是让 AI 互相玩身份博弈游戏,结果显示 GPT 6.2 Astra 在社交欺骗、长线推理上对比上一代提升幅度很小,在这个场景里没有质变。
问题 2:GPT 6.2 Astra 在血染钟楼测试提升有限,是不是说明这个模型整体拉胯?
回答 2:GPT 6.2 Astra 只是在血染钟楼这类社交博弈任务进步不大,在代码、科学任务、Agent 自动化等官方基准测试上,相比上一代依旧有明显提升,不同任务进化速度不一样。
问题 3:花 2 万美元测试 AI 玩血染钟楼,这笔钱是怎么消耗掉的?
回答 3:花 2 万美元测试 AI 玩血染钟楼,费用全部是 API 调用的 token 费用,几百局对局,每一轮发言、推理、投票都要调用大模型,长时间累计下来额度消耗到 2 万美元。
问题 4:血染钟楼这个测试,为什么用来评估 GPT 6.2 Astra 的能力?
回答 4:血染钟楼需要长记忆、信息推理、主动伪装欺骗,非常考验 AI 的心智理论和对抗思考能力,能看出大模型在社交博弈上的短板,和普通刷题跑分是完全不同的评估维度。
【参考资料】
[2026-11-17](花费 2 万美元跑血染钟楼 AI 对战,GPT 6.2 Astra 博弈提升有限)36 氪
[2026-11-06](OpenAI Leads Claude by 264 Elo in a $20K AI Deception Game)FourWeekMBA
[2026-11-06](Dwarkesh Patel 2 万美元 Clocktower Bench 血染钟楼测试)AI Insiders
【免责声明】
本文花 2 万美元测试 AI 玩血染钟楼、GPT 6.2 Astra 相关评测内容仅为行业资讯整理,单一场景测试结果不能代表模型综合能力;模型跑分、对战表现、API 成本随版本迭代变化,不构成选型、付费使用建议,详细数据以测试作者、OpenAI 官方文档为准。
