Clocktower Bench：可核对的是 GPT-6 Astra Elo 1859 与对 Opus 5.5 约 82% 期望胜率，不是「已会撒谎」

Dwarkesh 团队搭建的 Clocktower Bench，让大模型互玩社交推理游戏《Blood on the Clocktower》。规则写得很死：一盘里一个模型占据全部好人座位，另一个模型占据恶魔阵营，然后同一牌面互换边，避免手气偏袒。公开榜覆盖 11 个 2026 年发布的模型、386 局计分对局。

榜首是 OpenAI 的 GPT-6 Astra：综合 Elo 1859，侦测 1940、欺骗 1806；在站点给出的期望胜率矩阵里，它对 Anthropic 的 Opus 5.5 约为 82%。站点正文写明，OpenAI 这一年的领先主要来自侦测侧：侦探能力提升大约是 Anthropic 的四倍，欺骗侧两家大致持平。检验应落在这些公开数字与方法说明，而不是落在「AI 已经会骗人」的标题惊吓上。

硬事实（https://clocktowerbench.com/ 与 data/ratings.json，访问于 2026-11-06，上海时区）：

• 规模：11 个 2026 年模型，386 局计分对局；1500 为这 11 个模型的平均 Elo。
• 方法：Bradley–Terry / Elo 拟合；好人评分、恶魔评分、好人侧优势与牌面设置一并进入模型；90% 区间来自对「互换边成对」的自助重采样；邻居区间重叠则不宣称可靠排序。
• 对等设置：各模型用其实验室「高」推理档；每回合同一 8000 token 上限与相同字数限制。
• 榜首：GPT-6 Astra（2026-09）综合 1859（90% 区间约 1779–1983）；好人局 27/27 胜，恶魔局 17/27 胜。
• 对阵：期望胜率矩阵中，Astra 对 Opus 5.5 为 82%；Opus 5.5 对 Astra 为 18%。Opus 5.5 综合 Elo 1549。
• 额外发现：站点称 OpenAI 城镇在多日投票中持续更新对恶魔身份的信念，Anthropic 城镇更易把早期结果当作已定；混合队伍（半 Opus 5.5、半 GPT-5.6 Sol）在 132 局附加赛里扮恶魔时明显低于成员平均。
• 数据：GitHub dwarkeshsp/clocktower；Hugging Face 数据集 dwarkesh/clocktower-games；配套视频 YouTube 1NQwfImTseU。

这是受控对局基准，不是现实欺诈或社会工程测试。

证据强度：公开方法页、可下载对局数据与可复核的 Elo 表。386 局、互换边、统一努力度与 token 上限，使「Astra 1859 / 对 Opus 5.5 约 82%」成为可对照主张，而不是口嗨。

可检验路径：用 ratings.json 核对综合 Elo 与侦测/欺骗分；对照头对头矩阵中 Astra×Opus 5.5 单元格；抽查若干原始对局是否真互换边。若自助区间大幅重叠却仍被写成「稳压」，应下调确定性。

钢人：把「找谎言」和「编谎言」拆成侦测与欺骗两维，比笼统的「情商」分数更可操作。OpenAI 领先集中在侦测，本身就是可证伪的机制判断。

最强钢人：社交推理需要跨回合更新信念、协调发言与投票，这正是长上下文 agent 常翻车的地方。把整队交给同一模型，并强制互换边，能压掉「碰巧拿到好牌」的噪声。

钢人风险：期望胜率来自 Elo 拟合，不是单场胜率统计的朴素百分比；样本对某些配对仍然偏少，90% 区间要求读者不要把邻居名次写成铁板。游戏规则、提示词与 8000 token 上限都是实验条件，外推到开放语音桌或真人混桌不成立。

「会撒谎」在这里是规则内的恶魔阵营发言，不是产品安全事故。不要把榜首读成模型已通过现实欺诈测试。

对评测方，未来几个月可观察的是：新模型入榜后 Astra 的 1859 是否仍居首；侦测与欺骗的分差是否继续拉大；混合队伍扮恶魔是否仍吃亏。对实验室，这提供了一条不依赖标准考试集的长程对话压力测试。

对读者，验收应是公开 Elo、区间与原始对局，而不是视频旁白里的戏剧性结论。

Clocktower Bench 的检验对象应是 GPT-6 Astra 的综合 Elo 1859、对 Opus 5.5 约 82% 的期望胜率，以及「OpenAI 领先主要在侦测」这一机制判断能否对照公开数据；不是「AI 已经学会在现实中撒谎」。数字和方法对得上，它是一次可复核的社交推理基准；对不上，它仍是一个有故事的排行榜。

【No.2】