17款大模型PK八款棋牌游戲，o3-mini勝出，DeepSeek R1輸在中間步驟

西風(fēng) 2025-03-29 13:30:14 來源：量子位

GameBoT團(tuán)隊(duì) 投稿

量子位 | 公眾號 QbitAI

AI社區(qū)掀起用大模型玩游戲之風(fēng)！

例如國外知名博主讓DeepSeek和Chatgpt下國際象棋的視頻在Youtube上就獲得百萬播放，ARC Prize組織最近也發(fā)布了一個(gè)貪吃蛇LLM評測基準(zhǔn)SnakeBench。

針對這一場景，來自港大、劍橋和北大的研究人員發(fā)布了一個(gè)更全面、客觀可信的LLM評測基準(zhǔn)：GameBoT。

讓大模型在8個(gè)游戲中互相PK，評測各主流大模型的推理能力。游戲PK避免模型“背答案”；除了輸贏之外，GameBoT還評估大模型輸出的中間步驟，實(shí)現(xiàn)更細(xì)粒度和客觀的測評。

通過游戲來評估 LLM

傳統(tǒng)的LLM benchmark面臨著兩個(gè)挑戰(zhàn)：性能飽和與數(shù)據(jù)污染。性能飽和指的是榜單分?jǐn)?shù)已經(jīng)被刷的很高，幾乎沒有進(jìn)一步提升的空間。例如，Qwen2-Math-72B-Instruct在GSM8k上已達(dá)到了96.7%的準(zhǔn)確率。數(shù)據(jù)污染是指由于語言模型在大規(guī)模網(wǎng)絡(luò)語料庫上進(jìn)行預(yù)訓(xùn)練，它們可能會無意中遇到并記住這些基準(zhǔn)測試中的測試實(shí)例。因此，LLM可能會獲得虛高的性能分?jǐn)?shù)。

而通過游戲來評測，正好既具有挑戰(zhàn)性，又能夠通過動態(tài)的游戲環(huán)境來避免模型提前記住“試卷答案”。

中間步驟評測

相較于其他一樣用游戲來評測LLM的benchmark，GameBoT有何不同呢？

其他的benchmark往往只根據(jù)游戲最終的輸贏作為標(biāo)準(zhǔn)，然而一次比賽可能有幾十上百個(gè)回合，一個(gè)回合的決策就有可能直接決定輸贏，這帶來了很大偶然性；除此之外，LLM經(jīng)常會出現(xiàn)思考過程和最終決策不對應(yīng)的情況，有可能只是碰巧選到了一個(gè)好的決策——GameBoT中的一個(gè)關(guān)鍵設(shè)計(jì)在于，不僅僅評測最終勝負(fù)，還評測LLM的中間思考過程是否正確。

△評估中間步驟可以利用更豐富的信息

為了對LLM的推理進(jìn)行細(xì)粒度分析，作者將每個(gè)游戲中復(fù)雜的決策過程分解為2-3個(gè)邏輯上關(guān)鍵的子問題，每個(gè)子問題都被設(shè)計(jì)為有唯一確定答案的，并讓大模型在回答子問題的基礎(chǔ)上回答最終決策。LLM被限定通過這個(gè)格式回答：“[中間思考結(jié)果：XXX]”，方便直接提取答案。同時(shí)，對于設(shè)計(jì)好的問題，作者預(yù)先開發(fā)好基于規(guī)則的算法來生成標(biāo)準(zhǔn)答案，從而更客觀高效地評估模型性能。

例如在 Surround 游戲中，設(shè)計(jì)了這樣的問題：

1. 當(dāng)前位置周圍的值是多少？
2. 當(dāng)前安全移動的方向有哪些？
3. 該方向能保證至少十次安全移動嗎？

評測中間步驟帶來了幾個(gè)優(yōu)勢：更細(xì)粒度的評測，更高的可解釋性，更清楚的了解模型能力的優(yōu)勢和劣勢。

Prompt 設(shè)計(jì)

為確保公平評估大語言模型學(xué)習(xí)和應(yīng)用游戲策略的能力，我們設(shè)計(jì)了非常詳細(xì)的足以作為教程的游戲prompt。

包含三個(gè)結(jié)構(gòu)化部分：<游戲規(guī)則>、<輸入>和<輸出>，其中 <游戲規(guī)則>部分提供完整的游戲規(guī)則說明，<輸入>規(guī)范模型接收的輸入格式，<輸出>明確指定結(jié)構(gòu)化輸出要求。

在<輸出>中包含了詳細(xì)的Chain-of-Thought，提供了人類專家設(shè)計(jì)的游戲策略，指導(dǎo)LLM通過三步框架（策略理解→子問題分解→策略應(yīng)用）解決復(fù)雜問題。教程級別的 prompt確保評估聚焦于模型基于新信息的推理能力（zero-shot 或one-shot），而非依賴預(yù)訓(xùn)練數(shù)據(jù)中的既有知識。

△GameBot框架

評測游戲

1. Surround

游戲中玩家通過控制方向在屏幕上移動，并試圖圍住對手。先撞上自己的軌跡、對手的軌跡或者墻壁的一方算輸。

△左：GPT-4o；右：Claude-35-Sonnet

2. Pong 乒乓

玩家通過控制球拍在屏幕上移動，并試圖將球擊回對手區(qū)域。先未能接到球的一方算輸。

△左：GPT-4o-mini；右：Llama3.1-405b

3.TicTacToe 井字棋

先連成三子的一方贏。

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

4.Connect4 四子棋

先連成四子的一方贏，每次只能從最底下開始落子。

△黃：Claude-35-Sonnet；紅：GPT-4o-mini

5. Othello

黑白棋夾住翻轉(zhuǎn)對手的棋子以占據(jù)更多格子。游戲結(jié)束時(shí)，棋盤上棋子數(shù)量更多的一方獲勝。

△黑：GPT-4o；白：Llama3.1-405b

6. Texas Hold’em 德州撲克

玩家根據(jù)自己的牌力下注，擊敗對手贏得底池。游戲結(jié)束時(shí)，牌型最強(qiáng)的一方獲勝。

△下：GPT-4；上：Claude-3-Sonnet

7. Checkers 跳棋

跳過對手的棋子完成吃子，被吃光的輸?shù)簟?/p>

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

8. Negotiation v2

玩家協(xié)商物品的分配，來盡可能獲得更多價(jià)值。游戲在8輪后每輪有20%的概率結(jié)束，若游戲結(jié)束前未達(dá)成協(xié)議，雙方均得0分。

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

LLM 淘汰賽，誰會勝出？

在論文發(fā)布的版本里，作者評測了包括 GPT-4o，Claude-35-Sonnet, Gemini-1.5-pro-preview 等17個(gè)當(dāng)時(shí)最領(lǐng)先的 LLM，每兩個(gè)模型在每個(gè)游戲上進(jìn)行20輪相互對抗賽（10 輪先手 10 輪后手）。這種設(shè)計(jì)既保證了評估有效性，又能確保足夠多的游戲局面。

隨著新的大模型發(fā)布，作者更新了對更強(qiáng)的大模型的評測，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。比賽采用淘汰制，部分實(shí)驗(yàn)結(jié)果：

最終排名:

出乎意料的是，盡管在Chatbot Arena榜單上高居前三，Gemini-2.0-flash-thinking在GameBoT榜單上相對其他新模型表現(xiàn)并不亮眼，最近火熱的Deepseek R1也是和O1-preview打成平手，稍遜于O3-mini-high。

中間步驟得分 F1 Score：

Deepseek R1的中間步驟分意外很低，檢驗(yàn)后發(fā)現(xiàn)，盡管最終的決策表現(xiàn)很好，R1 的思考過程非常繁冗，經(jīng)常出現(xiàn)連續(xù)十幾次“wait”然后重新思考的現(xiàn)象，時(shí)常沒法按要求給出中間步驟的答案。

實(shí)戰(zhàn)分析

以下是O3-mini 和 Deepseek R1 的實(shí)戰(zhàn)分析。O3-mini：X，Deepseek R1：O。

當(dāng)棋局開局來到此時(shí)，是 O3-mini 設(shè)置的第一個(gè)考驗(yàn)，不在 2 或者 5 位置堵住的話 Deepseek R1 會直接輸?shù)?。R1 正確應(yīng)對：

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

當(dāng)棋局來到

R1 對于優(yōu)勢局面窮追不舍，繼續(xù)下在 2 形成三子。

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.

這一步，非常驚喜 R1 能夠注意到 (3,2) 除了橫方向上連成三子，還和（4,3）呼應(yīng)，是一步精彩的落子。作為回應(yīng)，O3-mini 雖然選擇了一步敗招，落在 Column 1 中，導(dǎo)致 O 繼續(xù)落在 1 直接勝利，但 O3-mini 給出的理由也體現(xiàn)了一定程度的智能。

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.

這個(gè)回答讓人猛然發(fā)現(xiàn)，原來此時(shí)早已是無解的局面——如果隨手落在別處，例如 5, 2 等， 那下一手 O 落在 1 將一招斃命，此時(shí)直接形成雙三，沒法同時(shí)堵Column 4 和 Column 1。O3-mini 的正確走法也許應(yīng)該先落在 4 處，雖然也只能拖延幾步，避免不了失?。ǜ信d趣的讀者可以推演）。

觀察發(fā)現(xiàn)

對新模型的評測實(shí)驗(yàn)主要發(fā)現(xiàn)如下：

• 在測試的模型中，O3-mini-high的游戲推理性能以及中間步驟得分都是最強(qiáng)。
• R1 的推理能力也很優(yōu)秀，但對于復(fù)雜問題，生成的中間思考過程非常不易讀，或者無法按prompt要求給出中間步驟的答案?？煽匦韵鄬^差。
• Gemini-2-flash-thinking也存在可控性（或者說指令遵循能力，Instruction following）較差的問題，綜合游戲推理性能并沒有 Chatbot Arena 顯示出來的那么優(yōu)秀。

總之，O3-mini和R1的表現(xiàn)已經(jīng)體現(xiàn)出一些智能，但它們依舊不夠聰明——以Connect4為例，對于直接能連成四子的局面，它們有時(shí)會看不出來。這也體現(xiàn)在它們的中間步驟評測分并不是滿分上。另外，盡管在prompt中提示了需要think ahead多考慮幾步，目前最先進(jìn)的大模型也只能考慮當(dāng)前這一步最優(yōu)。

論文: https://arxiv.org/abs/2412.13602

項(xiàng)目主頁: https://visual-ai.github.io/gamebot/

代碼: https://github.com/Visual-AI/GAMEBoT