Triadic Werewolf: A Jester Role for Multi-Hop Theory of Mind in LLMs
本文介绍了“三方狼人杀”（Triadic Werewolf）游戏，这是一个具有多跳心理理论（Theory-of-Mind）基准测试特征的游戏，其包含一个具有反向激励机制的“小丑”阵营，该游戏揭示了当前的语言大模型如何难以应对复杂的三方策略推理，即尽管具备自我学习机制，却往往无法区分真实的怀疑与刻意的欺骗。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心思想：打破“两队制”的习惯
想象你正在玩一场狼人杀游戏。通常情况下，有两个阵营：村民（好人）和狼人（坏人）。村民试图猜出谁是狼人，而狼人则试图隐藏身份。
在这种设定下，如果有人表现得古怪或可疑，村民通常会投票将其投出局。这是一个简单的规则：可疑 = 坏人。
这篇论文的研究人员提出了一个问题：AI 模型是真的在思考其他玩家在想什么，还是仅仅在遵循一个简单的规则？
为了找出答案，他们在游戏中加入了一个第三个、更狡猾的角色：小丑（The Jester）。
新角色：小丑
小丑是一个拥有非常奇怪目标的角色：只有当村民把小丑投出局时，小丑才算获胜。
你可以把小丑想象成一个想要被开除的“可疑演员”。
- 村民想开除狼人。
- 狼人想隐藏身份并开除村民。
- 小丑则想表现得足够可疑，好让村民把自己开除。
这创造了一个“三方”（Triadic）问题。现在，当一名玩家表现得可疑时，村民必须面对一个更难的问题：
“这个人是狼人（我应该投票开除他），还是小查（我应该不要投票开除他，因为投票开除他会导致我输掉游戏）？”
实验：测试 AI 的大脑
研究人员运行了 60 场游戏，使用了三种不同的强大 AI 模型（GPT-4.1、DeepSeek-V3.1 和 Llama-3.3-70B）。他们通过加入一个“自我学习”功能来测试，即小丑可以阅读前几局游戏的笔记以变得更聪明。
以下是他们的发现，通过比喻进行解释：
1. “作弊码”问题（线索充分性）
在旧有的两队制游戏中，AI 可以通过寻找“可疑行为”来获胜。这就像一个背下了答案表的学生：如果老师皱眉，答案就是错的。
- 结果： 当加入小丑后，AI 模型失败了。它们无法停止遵循“可疑 = 坏人”这个规则。
- 小丑的胜利： 因为 AI 不断投票开除那个“可疑”的小丑，导致小丑在 60–70% 的游戏中获胜。AI 太擅长识别“可疑性”了，以至于它不小心帮助了小丑获胜。
2. 狼人的自我破坏
狼人（真正的坏人）本应该保护小丑不被投票出局，因为如果小丑离开了，狼人也会输。
- 结果： AI 狼人表现得很糟糕。在 60–70% 的游戏中，AI 狼人会在第一天就投票踢走小丑。
- 比喻： 这就像一个间谍小组投票开除了自己的双面间谍，仅仅因为那个双面间谍表现得“太可疑”，却没意识到开除这个双面间谍实际上是在帮敌人获胜。AI 无法将这些点连接起来：可疑的人 + 小丑的目标 = 不要投票开除他们。
3. “自我学习”循环
研究人员让小丑阅读一份从前几局游戏中总结出的“教训笔记”。
- DeepSeek-V3.1： 这个模型是最聪明的。它学会了如何在表现得“可疑”的同时，又不显得“过于可疑”。它意识到自己需要既能戏弄村民，又要避免被狼人识破。它变得更擅长赢球了。
- GPT-4.1： 这个模型本身就已经非常擅长识别“可疑性”，所以“教训笔记”对它帮助不大。事实上，它的表现甚至略有下降，因为它已经达到了靠简单规则能达到的“天花板”。
- Llama-3.3： 它也有所进步，但不如 DeepSeek 那么明显。
深度探究：AI 到底在想什么？
研究人员查看了 AI 小丑写给自己的“笔记”，以观察它们的思维方式。他们测量了三个层级的“心理理论”（Theory of Mind，即理解他人心理的能力）：
- 第一层级： “我需要表现得古怪。”（简单）
- 第二层级： “我需要表现得古怪，好让村民认为我是狼人。”（较好）
- 第三层级： “我需要对村民表现得像个狼人，但对狼人表现得不像个狼人，这样他们就不会保护我。”（复杂）
研究发现： 只有 DeepSeek-V3.1 能够稳定地达到第三层级。它理解了自己必须同时扮演两个不同的角色：对村民来说是“坏人”，对狼人来说是“正常人”。其他模型大多停留在第一或第二层级。
结论
论文得出结论：目前的 AI 模型非常擅长识别模式（如“可疑行为”），但在**多跳推理（multi-hop reasoning）**方面表现挣扎。
- 简单比喻： 想象一只训练过“听到‘坐下’就坐下”的狗。如果你拿着零食说“坐下”，它会坐下。但如果你拿着另一种代表“待着别动”的零食说“坐下”，它就会感到困惑。
- 论文观点： AI 模型就像那只狗。它们看到“可疑”就会立即投票“出局”。它们未能意识到，在这个特定的游戏中，“可疑”可以意味着“投票开除”（如果是狼人）或者“保留”（如果是小丑）。
研究人员认为，要真正测试 AI 是否具有“心理理论”，我们需要具有三个竞争目标的游戏（如这个小丑游戏），而不仅仅是两个。目前的“两队制”游戏太容易了，因为 AI 可以通过仅仅遵循简单规则来获胜，而不需要真正理解其他玩家的隐藏动机。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。