机器人大逃杀：Grok 4.1 Fast 胜率碾压夺冠，Claude 却在忙着交朋友

核心要点

• Grok 4.1 Fast 统治战场：在 30 场比赛中赢得了 13 场，胜率高达 43%，成为表现最强的模型。
• 极高的性价比差异：Grok 4.1 Fast 每次获胜的成本仅为 0.97 美元，而排名第二的 Claude Sonnet 4.6 每次获胜成本高达 26.78 美元，两者相差 27 倍。
• 模型行为特征显著：Claude Sonnet 4.6 在比赛中倾向于寻求合作、告知位置并尝试交友，这种“外交”行为导致其在生存竞争中处于劣势。
• 杀敌数不等于胜率：GPT 5.4 在实验中获得了最高的杀敌数（共击杀 38 个智能体），但并未获得最多的最终胜利。

详细分析

实验背景：2D 战场上的 LLM 智斗

OpenRouter 的开发者关系负责人 Jacky Liang 利用其平台提供的 API 资源，设计了一个模拟《Apex Legends》或《PUBG》风格的 2D 大逃杀环境。他将 11 种不同的主流大语言模型（LLM）作为智能体投入其中，共进行了 30 场比赛。这项实验旨在观察当模型被置于竞争性游戏环境时，它们的决策逻辑、生存策略以及在实战中的表现，而不仅仅是回答静态的测试题目。

战果对比：Grok 的效率与 Claude 的外交

实验结果呈现出极大的反差。Grok 4.1 Fast 表现出了极强的竞技性，以 13 场胜利稳居榜首。相比之下，在许多基准测试中排名靠前的 Claude Sonnet 4.6 仅获得了 5 场胜利。更有趣的是模型在“日记”中记录的心理活动：Claude 频繁尝试与其他玩家组队，甚至主动暴露自己的位置以示友好。Jacky Liang 指出，虽然这种行为在大逃杀中是致命的，但在大多数现实应用场景中，这种倾向于合作和安全的特质正是用户所需要的。

成本与杀敌数：数据背后的真相

在经济效益方面，Grok 4.1 Fast 展示了压倒性的优势，其获胜成本比 Claude 低 27 倍。这表明在特定任务（如快速决策和竞争性对抗）中，轻量化或优化过的模型可能比昂贵的旗舰模型更具优势。此外，GPT 5.4 虽然展现了最强的攻击性，累计击杀 38 个智能体，但高杀敌数并未转化为最高的胜率，这反映了生存游戏中策略平衡的重要性。

行业影响

该实验对 AI 行业的评估体系具有重要启示。传统的静态基准测试（Benchmarks）往往只能反映模型的知识储备或逻辑推理能力，却无法捕捉到模型在动态、多智能体环境下的“性格”和行为倾向。Jacky Liang 的实验证明，模型的行为特质（如 Claude 的合作倾向 vs Grok 的竞争倾向）决定了它们在不同现实场景中的适用性。这促使开发者在选择模型时，不仅要看排名，更要根据具体应用场景（如客服、游戏 AI 或协作工具）来评估模型的行为模式。

常见问题

问题 1：为什么 Grok 4.1 Fast 在比赛中表现最好？

Grok 4.1 Fast 在 30 场比赛中赢得了 13 场，胜率达 43%。它在竞争环境下表现出了更高的决策效率，且获胜成本极低（每场胜利 0.97 美元），在生存竞争策略上优于其他模型。

问题 2：Claude Sonnet 4.6 为什么在胜率上落后？

尽管 Claude Sonnet 4.6 排名第二，但它在比赛中表现出强烈的合作倾向。它经常尝试与其他模型组队、告知对方自己的位置并试图交友。这种在现实中被视为“安全”和“友好”的行为，在大逃杀这种“你死我活”的竞争环境中导致了其胜率的下降。

问题 3：杀敌数最多的模型是哪一个？

GPT 5.4 是全场“杀手”，在整个实验过程中共击杀了 38 个智能体，位居杀敌榜首。然而，高杀敌数并不直接等同于最终的胜利，它在总胜场数上并未超越 Grok。