文章轉載于新智元

當談到AI為何能從「預測下一個詞」中誕生智慧時，Ilya Sutskever曾用一個生動的比喻來解釋。

想象你在讀一本懸疑小說，如果僅憑前面的線索就能在最后一頁推斷出罪犯是誰，那么你對這個故事的理解無疑是深刻的。

同樣，AI通過學習海量文本，掌握了從字面到語義的「線索」，展現出驚人的智能。

受此啟發，UCSD的華人研究者用游戲《逆轉裁判》（Ace Attorney）測試AI的推理能力。

《逆轉裁判》以錯綜復雜的故事情節和扣人心弦的法庭對決著稱。

這款游戲堪稱測試模型的完美舞臺：AI化身偵探，收集線索、揭露矛盾，最終挖掘真相。

研究者讓當前最頂尖的AI模型（GPT-4.1、Gemini 2.5 Pro、Llama-4 Maverick等）在《逆轉裁判》中接受考驗，看它們能否喊出「反對！」，扭轉案情，揭開謊言背后的真相。

和偵小說一樣，模型玩家得把線索、證據串起來，揭露證詞中的矛盾，抓住真兇。

測試中，AI模型要參與緊張的法庭盤問環節。它要敏銳地找出證詞中的漏洞，拿出正確的證據進行反駁。每個關卡有5次機會，犯錯空間有限。

團隊測試了多款頂尖的AI多模態模型，包括o1、Gemini 2.5 Pro、Claude 3.7-thinking和Llama-4 Maverick。

結果顯示，o1和Gemini 2.5 Pro表現最佳，均晉級第4關。雖然未能通關，但o1在應對最復雜案件時，略勝Gemini 2.5 Pro一籌。

GPT-4.1與Claude 3.5表現相當。盡管GPT-4.1據稱比GPT-4o有所提升，但這次測試中的表現與其持平。

Llama-4 Maverick一次沒對，零分墊底！

1

為什么它很難？

《逆轉裁判》游戲對AI模型十分困難，主要是因為模型需要有以下能力：

• 長文本推理：需要比對之前的對話和證據，發現證詞中的矛盾點。

• 視覺理解：準確識別能反駁虛假陳述的圖片。

• 策略決策（游戲設計）：動態變化的案件中，決定何時追問、出示證據或暫不行動。不僅要給出答案，還要在正確時機采取行動。

游戲設計要求AI把理解轉化為有情境依據的行動，讓它不只局限于處理文本或視覺任務。

因為AI需要推理情境化的行動空間，而非簡單死記硬背，所以更不容易出現過擬合。

1

性價比哪家強

Gemini 2.5 Pro重新定義了性價比。

在性能相當的情況下，Gemini 2.5 Pro比o1-2024-12-17便宜6-15倍，甚至比GPT-4.1還便宜一點。

通過第1關的模型成本對比中，o1的API調用次數最少，總成本卻是最高的。

調用次數體現的是策略，而非推理能力。因為深入挖掘證詞，自然會觸發更多請求。

進入更高關卡后，隨著對話篇幅增加，o1的成本激增。

在第2關（一個很長的案例）中，o1的成本超過$45.75，而Gemini 2.5 Pro僅需$7.89，差距驚人！

注意：

• Gemini 2.5 Pro使用內置token計數方法，將所有圖片都按258個token計算，因此實際成本可能略高。

• o1隱藏推理內容存在不確定性，其輸出成本也可能被低估了。

目前團隊已將項目開源，可以在里面查看如何設置游戲和LLM。

項目地址：https://github.com/lmgame-org/GamingAgent

除此之外，項目中還有更多經典游戲能測試AI模型的性能。

推箱子游戲

推箱子（Sokoban）是一款經典的單人游戲，以深邃的策略性著稱。

推箱子的玩法簡單直觀，但挑戰性極高。

玩家在一個由方格組成的迷宮中操作角色，通過邏輯思考和規劃，將箱子推到目標位置。

2048游戲

這是一款數字益智游戲，玩家通過滑動方塊合并相同數字，最終目標是合成2048方塊。

策略上，應該優先保持最大數字在角落，規劃滑動方向以避免方塊堆積，靈活調整以應對隨機出現的數字。

下圖可以看出，Claude 3.7 玩起2048來還是挺絲滑的，能持續玩很多步。相比之下，GPT 4o不知道為什么，玩上幾步就開始卡上了。

俄羅斯方塊

俄羅斯方塊是一款風靡全球的經典游戲。

玩家需通過移動和旋轉方塊，拼湊完整橫行以消除得分，盡可能延長游戲時間或獲得高分。

此外，還有超級馬里奧、糖果粉碎傳奇等多款游戲。

參考資料：

https://x.com/haoailab/status/1912231343372812508

https://huggingface.co/spaces/lmgame/game_arena_bench

https://lmgame.org/

點個 “愛心”，再走吧