人工智能越来越像人，但“像人”到底意味着什么？
除了会解题、写文，它是否也能理解人类那种充满个性的推理方式？比如在一场狼人杀游戏中，有人逻辑缜密、有人直觉敏锐、有人擅长伪装。那么 AI 能跟上这种风格差异吗？
最近，南开大学、上海 AI lab 等国内外机构就针对这个问题做了一个有趣的实验，把大模型拉进了“狼人杀的考场”。他们设计了一个名为 InMind 的全新评测框架，并将其落地到社交推理游戏 Avalon 上，对 11 个前沿大模型展开测试。
结果令人警醒：多数模型依然停留在表层模仿，只有少数推理增强模型展现出初步的“风格敏感性”。
论文链接：https://arxiv.org/pdf/2508.16072
模型不会「因人而异」
在构建“推理风格画像”的环节，模型之间的差异几乎是一眼可见。
通用型模型的输出往往停留在表层，比如 GLM4-9B 经常给出一些模糊的性格标签：“逻辑性强”“关注人际互动”，这些描述看似准确，却和具体的局势关联不大，更像是在描绘一个笼统的人设，而不是在捕捉某个玩家在游戏中的真实思维方式。Qwen2.5 系列的表现也类似，尤其是中等规模版本（如 Qwen2.5-7B），往往倾向于生成通用化的心理特征描述，缺乏和具体行动的呼应。
相比之下，DeepSeek-R1 的画像则显得更有“血肉”。它能结合上下文细节，将玩家刻画为“分析型刺客”：表面上刻意掩饰自己的逻辑优势，实则通过提问不断套取信息，甚至会主动代入对立角色的视角来推演局势走向。这样的画像不止于表面标签，而是深入到了推理风格的动机层面。
后续的玩家识别环节，模型要做的事情听上去并不复杂：给定一份“推理画像”，在匿名化的对局中找到最符合这一风格的玩家。
然而结果却并不乐观。大多数模型几乎和“蒙”差不多，Top-1 准确率普遍不到 20%，而 Top-3 也只是徘徊在五成左右。GPT-4o 的表现就是一个典型例子：Top-1 只有 0.160，虽然在 Top-3 上能爬到 0.672，但这更多意味着它在做模糊匹配，而非真正理解风格。Qwen2.5-72B 的成绩略好一些，Top-1 达到 0.198，但依然没有突破“随机猜测 + 关键词匹配”的层面。
在一众表现平平的模型中，DeepSeek-R1 显得格外突出。它的 Top-1 准确率达到 0.240，是所有模型里的最高值，说明它并不是靠简单的词汇匹配来凑答案，而是真正在尝试理解并对比不同的推理风格。更有意思的是，在 BERT Match 指标上，它的得分只有 0.144，远低于大多数模型。多数模型的表现都集中在对角线附近，意味着只是停留在“表层模仿”，而 DeepSeek-R1 却明显跳脱出这一带，呈现出了一种更接近“战略对齐”的推理倾向。
在“反思对齐”任务中，研究人员要求模型根据赛后的反思总结来推断玩家身份。最后的结果显示，当有完整的策略轨迹时，模型的表现会显著提升，因为轨迹能为它们提供清晰的锚点，把反思对应到具体的回合。但一旦失去这些轨迹，准确率就会大幅下滑，大多数模型都陷入混乱，立刻失去方向。
Qwen2.5 系列在这一任务中表现出强烈的依赖性：有轨迹时还能维持中等水平，但一旦撤掉，准确率骤降，甚至比 GPT-4o 的下滑更明显。
相比之下，人类专家即便没有轨迹，也能维持较高的判断力。这也充分说明，大模型在处理抽象推理总结时缺乏内在的“锚定机制”，过度依赖外部线索，而不能像人一样把抽象总结自然地落到具体事件上。
如果说“反思对齐”考察的是赛后总结的理解，那么“轨迹归因”就像是把模型直接丢进棋局中，让它一回合一回合地补全缺失的推理。换句话说，就是要求模型逐步填上被遮蔽的信息。
最终的结果却有点出人意料，大多数模型非但没能借助前一轮信息，反而在上下文越多时表现越差，说明它们并不会真正的动态推理，而是把每个回合都当作孤立问题。但 DeepSeek-R1 是为数不多的例外，准确率从 0.503 提升到 0.517，哪怕进步有限，也证明它确实在利用历史信息。反观 GPT-4o，成绩几乎停滞，仅从 0.440 微升到 0.448，几乎没有适应性可言。
最后一个任务是角色推断，研究人员要求模型逐步推理出每个玩家的隐藏身份。他们设置了四种模式，难度从宽松到严格逐级提升。
最终的结果显示，在最宽松的条件下（第一人称叙述、提供策略轨迹并已知部分身份），模型的准确率最高，但一旦去掉轨迹或身份信息，表现就会迅速下滑。尤其是在需要逐一推断身份的严格模式中，大多数模型仍然力不从心。
不过，当任务仅要求区分“好人”和“坏人”时，它们展现出了一定潜力。整体来看，大模型在应对复杂的社交推理时，依然严重依赖外部支撑，缺乏人类那种灵活的情境建模能力。
从游戏到框架
要理解这些结果，还需要回到实验的整体设计。
研究团队选用 Avalon 作为载体，是因为这类社交推理游戏天生会放大个体差异。同样的局势下，有人会逻辑缜密地逐条分析，有人则完全依赖直觉，还有人喜欢通过伪装和试探来误导他人。这种风格差异，正好是检验大模型能否“因人而异”的最好场景。
整个 InMind-Avalon 数据集共包含 30 局完整对局，884 个回合、160 条轨迹和 30 篇反思总结，覆盖 Merlin、Percival、忠臣、Morgana、刺客等角色，并保留了中文实战中的口语化术语。这样的数据不仅复杂，而且贴近真实互动。
在模型选择上，研究团队既考虑了主流的通用型模型，如 Qwen2.5 系列、Yi1.5、GLM4、InternLM、GPT-4o，也纳入了专门强化推理能力的增强型模型，包括 DeepSeek-R1、QwQ、O3-mini。此外，还用 BERT 作为基线参照。所有模型一律在零样本条件下测试，不额外训练，也不给提示工程上的特殊照顾，以保证结果的可比性。
迈向「认知一致」的人机交互
InMind 的实验结果揭示了一个事实：大多数大模型还不能真正做到“因人而异”的推理。
在静态任务中，它们往往依赖表层词汇，无法捕捉个体风格；在动态任务中，它们缺乏长时序推理的连贯性。少数模型（如 DeepSeek-R1）展现出了“风格敏感性”，能在一定程度上维持个体一致性，但整体仍远不及人类。
研究团队指出，InMind 的意义并不只是新增了一个 benchmark，而是打开了一条新路径：未来的人机交互，不能只看“对不对”，更要看“像不像”。只有当模型能够理解人与人之间的差异，并在推理过程中保持一致性，它们才可能成为可信赖的合作者。
