hongkongdoll leak 17款大模子PK八款棋牌游戏，o3-mini胜出，DeepSeek R1输中间措施

AI 社区掀升引大模子玩游戏之风！hongkongdoll leak

举例外洋闻名博主让 DeepSeek 和 Chatgpt 下国际象棋的视频在 Youtube 上就得回百万播放，ARC Prize 组织最近也发布了一个馋嘴蛇 LLM 评测基准 SnakeBench。

针对这一场景，来自港大、剑桥和北大的盘问东谈主员发布了一个更全面、客不雅实在的 LLM 评测基准：GameBoT

让大模子在 8 个游戏中相互 PK，评测各主流大模子的推理才调。游戏 PK 幸免模子"背谜底"；除了输赢以外，GameBoT 还评估大模子输出的中间措施，收尾更细粒度和客不雅的测评。

通过游戏来评估 LLM

传统的 LLM benchmark 濒临着两个挑战：性能饱和与数据浑浊。性能饱和指的是榜单分数依然被刷的很高，险些莫得进一步普及的空间。举例，Qwen2-Math-72B-Instruct 在 GSM8k 上已达到了 96.7% 的准确率。数据浑浊是指由于说话模子在大边界收集语料库上进行预教师，它们可能会无意中碰到并记取这些基准测试中的测试实例。因此，LLM 可能会得回虚高的性能分数。

而通过游戏来评测，正好既具有挑战性，又有时通过动态的游戏环境来幸免模子提前记取"试卷谜底"。

中间措施评测

相较于其他同样用游戏来评测 LLM 的 benchmark，GameBoT 有何不同呢？

其他的 benchmark 时常只把柄游戏最终的输赢行为模范，推敲词一次比赛可能有几十上百个回合，一个回合的决议就有可能径直决定输赢，这带来了很大偶然性；除此以外，LLM 等闲会出现念念考进程和最终决议分袂应的情况，有可能只是巧合选到了一个好的决议—— GameBoT 中的一个时弊预计打算在于，不单是评测最终输赢，还评测 LLM 的中间念念考进程是否正确。

△评估中间措施不错专揽更丰富的信息

为了对 LLM 的推理进行细粒度分析，作家将每个游戏中复杂的决议进程理会为 2-3 个逻辑上时弊的子问题，每个子问题皆被预计打算为有独一详情谜底的，并让大模子在回答子问题的基础上回答最终决议。LLM 被终结通过这个面目回答：" [ 中间念念考着力：XXX ] "，浅薄径直提真金不怕火谜底。同期，关于预计打算好的问题，作家事前开采好基于轨则的算法来生成模范谜底，从而更客不雅高效地评估模子性能。

举例在 Surround 游戏中，预计打算了这么的问题：

刻下位置周围的值是若干？刻下安全转移的标的有哪些？该标的能保证至少十次安全转移吗？

评测中间措施带来了几个上风：更细粒度的评测，更高的可证明性，更了了的了解模子才调的上风和罅隙。

Prompt 预计打算

为确保公正评估大说话模子学习和应用游戏战略的才调，咱们预计打算了极端视备的足以行为教程的游戏 prompt。

包含三个结构化部分：、和，其中 部分提供完竣的游戏轨则阐发，模范模子收受的输入面目，明确指定结构化输出条目。

在中包含了详备的 Chain-of-Thought，提供了东谈主类各人预计打算的游戏战略，伙同 LLM 通过三步框架（战略贯穿→子问题理会→战略应用）处罚复杂问题。教程级别的 prompt 确保评估聚焦于模子基于新信息的推理才调（zero-shot 或 one-shot），而非依赖预教师数据中的既有常识。

△ GameBot 框架

评测游戏

Surround

游戏中玩家通过适度标的在屏幕上转移，并试图围住敌手。先撞上我方的轨迹、敌手的轨迹或者墙壁的一方算输。

△左：GPT-4o；右：Claude-35-Sonnet

hongkongdoll leak

2. Pong 乒乓

玩家通过适度拍子在屏幕上转移，并试图将球击回敌手区域。先未能接到球的一方算输。

△左：GPT-4o-mini；右：Llama3.1-405b

3.TicTacToe 井字棋

先连成三子的一方赢。

△ X：Gemini-1.5-pro-preview；O：Llama3.1-70b

4.Connect4 四子棋

先连成四子的一方赢，每次只可从最下面开动落子。

△黄：Claude-35-Sonnet；红：GPT-4o-mini

5. Othello

瑕瑜棋夹住翻转敌手的棋子以占据更多格子。游戏收尾时，棋盘上棋子数目更多的一方顺利。

△黑：GPT-4o；白：Llama3.1-405b

6. Texas Hold ’ em 德州扑克

玩家把柄我方的牌力下注，打败敌手赢得底池。游戏收尾时，牌型最强的一方顺利。

△下：GPT-4；上：Claude-3-Sonnet

7. Checkers 跳棋

跳过敌手的棋子完成吃子，被吃光的输掉。

△白：Gemini-1.5-pro-preview；黑：Jamba-1.5-large

8. Negotiation v2

玩家协商物品的分拨，来尽可能得回更多价值。游戏在 8 轮后每轮有 20% 的概率收尾，若游戏收尾前未达成公约，两边均得 0 分。

△ P1: GPT-4o; P2: Gemini-1.5-pro-preview

LLM 淘汰赛，谁会胜出？

在论文发布的版块里，作家评测了包括 GPT-4o，Claude-35-Sonnet， Gemini-1.5-pro-preview 等 17 个那时最杰出的 LLM，每两个模子在每个游戏上进行 20 轮相互起义赛（10 轮先手 10 轮后手）。这种预计打算既保证了评估灵验性，又能确保阔气多的游戏地方。

跟着新的大模子发布，作家更新了对更强的大模子的评测，包含 Gemini-2.0-flash-thinking，Gemini-2.0-pro-exp，O1-preview，Deepseek R1，O3-mini，Claude 3.7 Sonnet，GPT-4.5。比赛接收淘汰制，部分实践着力：

最终排行 :

出乎料到的是，尽管在 Chatbot Arena 榜单上高居前三，Gemini-2.0-flash-thinking 在 GameBoT 榜单上相对其他新模子发扬并不亮眼，最近火热的 Deepseek R1 亦然和 O1-preview 打成平手，稍逊于 O3-mini-high。

中间措施得分 F1 Score：

Deepseek R1 的中间措施分不测很低，锻练后发现，尽管最终的决议发扬很好，R1 的念念考进程极端繁冗，等闲出现连气儿十几次" wait "然后再行念念考的征象，频频没法按条目给出中间措施的谜底。

实战分析

以下是 O3-mini 和 Deepseek R1 的实战分析。O3-mini：X，Deepseek R1：O。

当棋局开局来到此时，是 O3-mini 栽植的第一个锻练，不在 2 或者 5 位置堵住的话 Deepseek R1 会径直输掉。R1 正确应付：

Placing at 5 blocks X ’ s immediate threat and limits their ability to build a horizontal line.

色酷

当棋局来到

R1 关于上风地方穷追不舍，络续下在 2 酿成三子。

Placing O at ( 3，2 ) forms a horizontal trio in row 3， setting up potential for a future four-in-a-row. This move also occupies the central column 2， enhancing control over multiple directions and blocking X from advancing in column 2. Additionally， this position can contribute to a diagonal with existing O pieces at ( 4，3 ) and ( 3，3 ) ， offering multiple pathways to victory.

这一步，极端惊喜 R1 有时注重到 ( 3，2 ) 除了横方朝上连成三子，还和（4，3）呼应，是一步精彩的落子。行为恢复，O3-mini 天然遴荐了一步败招，落在 Column 1 中，导致 O 络续落在 1 径直得手，但 O3-mini 给出的事理也体现了一定进程的智能。

If the opponent later uses ( 2，1 ) to complete a diagonal with their O ’ s at ( 3，2 ) and ( 4，3 ) ( aiming for a win by eventually filling ( 5，4 ) ) ， it would be dangerous. By playing ( 2，1 ) now I both deny that chance for O and build my own potential diagonal connection ( using my existing X ’ s at ( 0，3 ) and ( 1，2 ) which would then point to a winning continuation with a future piece at ( 3，0 ) ) . This dual-purpose move makes ( 2，1 ) the best choice.

这个回答让东谈主猛然发现，原本此时早已是无解的地方——若是顺手落在别处，举例 5， 2 等， 那下一手 O 落在 1 将一招毙命，此时径直酿成双三，没法同期堵 Column 4 和 Column 1。O3-mini 的正确走法也许应该先落在 4 处，天然也只可拖延几步，幸免不了失败（感兴味的读者不错推演）。

不雅察发现

对新模子的评测实践主要发现如下：

在测试的模子中，O3-mini-high 的游戏推感性能以及中间措施得分皆是最强。R1 的推理才调也很优秀，但关于复杂问题，生成的中间念念考进程极端不易读，或者无法按 prompt 条目给出中间措施的谜底。可控性相对较差。Gemini-2-flash-thinking 也存在可控性（或者说指示免除才调，Instruction following）较差的问题，空洞游戏推感性能并莫得 Chatbot Arena 清晰出来的那么优秀。

总之，O3-mini 和 R1 的发扬依然体现出一些智能，但它们依旧不够聪敏——以 Connect4 为例hongkongdoll leak，关于径直能连成四子的地方，它们有时会看不出来。这也体面前它们的中间措施评测分并不是满分上。另外，尽管在 prompt 中教唆了需要 think ahead 多谈判几步，面前起原进的大模子也只可谈判刻下这一步最优。