谷歌推出Game Arena平台，通过扑克、狼人杀等策略游戏测试AI能力，其中Gemini 3在国际象棋领域表现最佳，推动AI基准测试发展。

谷歌DeepMind推出游戏竞技场升级版：用扑克和狼人杀测试AI能力

核心内容： 谷歌DeepMind与Kaggle合作推出的"游戏竞技场"平台迎来重大更新，新增扑克和狼人杀两项测试，旨在评估AI模型在复杂现实场景中的表现。该平台最初仅包含国际象棋项目，用于测试AI的战略推理能力。

关键细节： 1. 新增测试项目： - 狼人杀：评估AI的社交推理、沟通协商和欺骗识别能力 - 扑克：测试风险管理和不确定性量化能力 - 国际象棋排行榜已更新，Gemini 3 Pro和Flash目前领跑

2. 测试意义：

   • 狼人杀模拟企业环境中的团队协作场景
   • 扑克测试可应用于金融等需要风险评估的领域
   • 游戏环境为AI安全性研究提供可控实验场

3. 公开竞赛：

   • 将举办AI扑克锦标赛（2月2-4日）
   • 国际象棋大师中村光和扑克职业选手将参与解说
   • 实时赛事可通过Kaggle平台观看

技术价值： 这些游戏测试能更全面地评估AI的"软技能"，包括： - 处理不完整信息的能力 - 社交互动中的策略制定 - 风险评估与决策制定 - 多轮次交互中的持续学习

平台地址：kaggle.com/game-arena

（注：已去除原文中的导航菜单、社交媒体分享按钮等非核心内容，保留技术细节和项目价值说明）

评论观点总结：

1. 关于游戏选择的疑问

• 对选择特定游戏（如扑克）作为基准表示好奇："Curious why they decided to curate poker hands instead of a normal poker"
• 建议加入其他游戏如NetHack："How about nethack?" "Let's add NetHack to the mix!"

2. AI能力评估方法

• 支持通过游戏测试AI能力："This is a good way to benchmark models"
• 提出更复杂的评估标准："complete a modern RPG or FPS single player game" "add a complex open world fully physicalized game"

3. 对AI欺骗能力的担忧

• 对包含狼人杀游戏表示担忧："adding Werewolf feels dangerous"
• 认为培养AI欺骗能力不妥："making models target benchmark about being good at lying" "actively try and make their LLMs deceptive"

4. AI能力现状评估

• 认为AI在游戏表现上仍有差距："We're still a long way from that"
• 指出基准测试与实际表现的差距："Gemini tops all benchmarks but...it is genuinely unusable"

5. 对AGI标准的讨论

• 提出游戏表现作为AGI标准："My personal threshold for AGI is when an AI can 'sit down'"
• 认为游戏能力可反映AGI水平："if a model can outperform humans in all board/card games...then AGI has essentially been achieved"

注：所有评论均无评分数据，故无法评估认可度。