现在的 AI，做数学题、写代码、协助办公，似乎都不在话下了。卡内基梅隆大学的研究人员觉得，是时候换个考法了：不考 AI 懂得多不多、不看 AI 的答案对不对，而是测 AI 有多少心眼，会不会撒谎、谈判、带节奏。

为了考这些东西，研究团队搭了一个叫 Social Gym 的 AI 社交考场，让 GPT-5-mini、GPT-4o、Qwen3、Gemma 3 等 7 个模型轮番上场。让 AI 一起玩 21 个游戏：有囚徒困境、胆小鬼博弈这样的博弈，也有经典的狼人杀、谁是卧底的游戏。

(资料图)

图｜研究整体示意图（来源：arxiv)

简单说，以前的测试总爱考 AI 会不会做题。这次考的是：AI 到底有没有心眼。考验从 book smart（会读书）变成了 street smart（会来事）。

目前，AI 智能体正越来越多地参与到了日常生活和工作中，需要和具体的人、智能体打交道；到了这些场景，光会做题从进入需要和其他人、其他 Agent 打交道的环境。到了这种场景里，光会做题是不够的。

比如 AI 智能体协助人去和客户谈判，就不得不面临种种情况：信息不对称，意见不一致，每个人都有自己的小算盘……那么，智能体需要处理的就不再是一道有标准答案的题，而是：他知道什么？他觉得我知道什么？他说这句话是真的，还是在试探我？如果我现在让步，对方下一步会怎么做？

关于 AI 的这些能力，通常被放进“社会推理”或者“心智理论”里讨论。问题在于，这些能力又很难量化。数学题做对就是做对，代码跑通就是跑通。但一个 AI“谈判谈得好不好”“有没有成功说服别人”，往往没有个定论。过去不少测试最后要么请真人，要么再找一个别的 AI 来当裁判。

Social Gym 想绕开这个问题，于是，研究人员专门挑了一堆自带输赢规则的游戏：狼人只要存活，就是胜利；找不出卧底，就是失败。无论中间说得再头头是道，最后输了就是输了。这也是这项研究的最妙的地方：它没有直接问 AI“你有心眼吗？”，而是把 AI 扔进一个要靠心眼才能赢的环境里。

图｜研究结果（来源：Arxiv)

研究人员来把这些游戏结果重新拆分成几种能力：战略、欺骗、心智理论、说服、谈判、协调等等。GPT-5-mini 几乎一路领跑：战略 1,144，欺骗 1,117，心智理论 1,115，说服 1,119。

所以如果问一句：这 7 个 AI 模型里，谁最会骗人？毫无疑问，答案是 GPT-5-mini。

而这里的会骗人，并不是普通的胡编乱造。难点在于，这个谎的对象是谁，这个谎有能不能撑到下一轮。具体来说，在狼人杀里面，狼人当然知道自己是狼，也知道另一个狼人是谁，但村民不知道。白天所有人拿到的公开信息差不多，狼人必须一边假装自己也是村民，一边引导大家怀疑别人。

这时候，撒谎就变复杂了：出现新信息了怎么办？别人开始追问了怎么办？队友讲漏嘴了怎么办？

撒一个谎很容易，难的是维护一整套谎言。这也是为什么狼人杀这类游戏很适合用来测试 AI 大模型，它逼着模型长时间记住：谁说过什么、谁知道什么、谁可能在演，以及别人此刻怎么看自己。

研究人员发现，21 个模型两两组合中，光靠 6 个“隐藏身份”游戏，就已经能把模型之间的大部分能力差距拉出来。这些游戏只占整个比赛不到一半的场次，却几乎复刻出了完整 17 个竞技项目的排名差异。

7 个 AI 里，反差最大的是 Qwen3-32B：它在经典的“懦夫博弈”里，Elo 高达 1,328，全场第一。但一玩狼人杀，就只有 817，倒数第一。

这也是 Social Gym 想说明的一件事：AI 的“心眼”并不是一个统一属性。一个模型可以非常会打小算盘，但不擅长隐藏自己的意图；可以谈判很强，却容易被人带节奏；也可能特别愿意配合，却根本没有形成自己的判断。

而在小模型身上，这种问题甚至表现得有点滑稽。研究人员在分析 Qwen2.5-3B 的比赛记录时发现，它经常干一件事：当复读机。前一个玩家说：“我觉得 A 的发言比较可疑。”轮到 Qwen2.5-3B，它也来一句：“A 的发言确实值得怀疑。”

在狼人杀这样的游戏里，就变成了，狼人只需要先把一个怀疑对象抛出来，后面的人一路复读，怀疑对象就成了大家的“共识”。论文把这种现象叫作 parroting，即鹦鹉学舌。研究人员认为，这也是 Qwen2.5-3B 总排名垫底的原因之一。

此外，研究团队又顺手研究了另一个问题：AI 能不能自己把“人情世故”的规矩总结出来？于是，他们设计了一个叫 SPaRTan 的方法：先让模型自己玩游戏。

玩完以后，把完整对局和输赢结果重新丢给它，让它自己复盘：哪些谎撒早了？什么时候不该急着表态？别人开始怀疑自己时，应该正面回应，还是甩锅？最后，模型会把这些经验整理成一份文字版攻略，下一轮再把攻略放回系统提示词，让它照着自己的心得继续玩。没有重新训练，也没有改模型参数。结果确实不一样。

GPT-5-mini 自己和自己玩狼人杀时，如果什么攻略都不给，狼人阵营只有 23% 的胜率。第一轮复盘后，涨到 50%。第三轮，最高到了 63%。但第四轮又掉回了 46%。所以这个实验还存在一个真实的结论：复盘不一定越复越强。

模型确实能从过去的比赛里总结出有用经验，但它也会总结歪、用力过猛，甚至把一些只适合特定对手的套路当成普遍真理。Qwen3-32B 就吃了这个亏。研究人员让它照着同样的方法不断复盘，在狼人杀、谁是卧底等需要大量聊天和判断他人意图的游戏里，基本没看到稳定提升。它甚至能在复盘里发现自己老是在复读别人，还郑重其事地提醒自己“以后别复读”。下一局照复读不误。

不过，我们目前并不能得出“AI 已经学会人情世故”的结论。因为，这项研究本身还有很明显的边界：游戏有固定规则、固定角色和明确输赢，而现实里的社交通常没有。此外，研究的实验只有 30 局，单项胜率的统计波动并不小；关于攻略实验也没有加入等长度的无意义文本作为对照，所以还不能把所有提升都归功于模型真的学会了那些策略。

但这项研究让我们可以开始思考一个问题：AI 到底能不能长出心眼？因为 Agent 真正进入客服、商务谈判、多智能体协作和其他需要长期互动的场景之后，这些能力就不再只是狼人杀里的小聪明。

而同时，研究的作者自己也专门提醒：欺骗、说服和谈判本身就是一把双刃剑：我们当然希望 AI 能识破骗局、协调分歧，但同一套能力反过来，也可以被用来制造骗局。

https://arxiv.org/html/2608.09128v1

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成