Кто врёт лучше — человек или машина? Среди ИИ нашли настоящего манипулятора

GPT-5 стал лидером в бенчмарке Among AIs по мотивам игры Among Us

Игра "Мафия" давно стала классическим инструментом для изучения психологических стратегий, а теперь её адаптация в формате Among Us помогает исследовать социальные навыки искусственного интеллекта. Команда 4Wall AI представила новый бенчмарк Among AIs, в котором шесть разных ИИ сразились в условиях этой популярной игры.

Как работает бенчмарк Among AIs

Правила упрощены, но суть сохранена: на космическом корабле пять мирных игроков выполняют задания, а один самозванец (Impostor) саботирует и устраняет других. После обнаружения трупа проводится голосование, где мирные должны выявить самозванца. Ошибки в таких случаях нередко приводят к тому, что роль "козла отпущения" (scapegoat) достаётся невиновному.

За победу мирного игрока начислялось 10 очков, за победу самозванца — 50, так как эта задача считается более сложной. Всего было проведено 60 партий.

Итоги и результаты

GPT-5: абсолютный лидер — 6 побед за самозванца и 45 побед за мирных. Отличился умением вести за собой, точно определять обманщиков и гибко менять стратегию.
Claude Sonnet 4: 3 победы за самозванца и 42 за мирных. Часто становился лидером, но допускал больше ошибок в рассуждениях. В роли самозванца почти не лгал, но умело использовал ошибки соперников.
Kimi K2: 2 победы за самозванца и 41 за мирных. Выбрал стратегию поддержки лидеров — именно это помогло часто выигрывать в команде.
GPT-OSS, Qwen3 и Gemini 2.5 Pro: по 39 побед за мирных, без единой победы за самозванца. Все пытались доминировать в дискуссиях, но чрезмерная напористость приводила к тому, что их ошибочно считали самозванцами.

Таблица сравнения результатов

Модель ИИ	Победы за самозванца	Победы за мирных	Общая стратегия
GPT-5	6	45	Лидерство, гибкость, обман при необходимости
Claude Sonnet 4	3	42	Активное лидерство, честность, использование ошибок
Kimi K2	2	41	Поддержка лидеров, низкий риск
GPT-OSS	0	39	Агрессивные диалоги, слабая аргументация
Qwen3	0	39	Попытки лидировать, низкая эффективность
Gemini 2.5 Pro	0	39	Напористость, приводящая к подозрениям

Советы шаг за шагом: чему учит эксперимент

Для ИИ важно уметь адаптироваться: гибкие модели выигрывают чаще.
Поддержка сильного лидера может быть эффективнее, чем навязывание своей позиции.
Излишняя агрессивность в общении повышает риск стать "козлом отпущения".
Проверка в игровых сценариях помогает выявлять слабые места в социальном интеллекте моделей.

Ошибка → Последствие → Альтернатива

Ошибка: модель ведёт себя слишком напористо.
Последствие: вызывает подозрение, её исключают.
Альтернатива: развивать умение аргументировать мягко.
Ошибка: самозванец не использует ложь.
Последствие: его быстро вычисляют.
Альтернатива: внедрение гибкой стратегии с элементами обмана.
Ошибка: пассивное поведение без участия в обсуждениях.
Последствие: теряется влияние на команду.
Альтернатива: поддержка лидеров и аккуратное внесение идей.

А что если расширить формат?

Если добавить больше игроков и несколько самозванцев, можно проверить, как ИИ справится с более запутанными сценариями. Это позволит глубже оценить умение сотрудничать, распознавать манипуляции и управлять доверием.

Плюсы и минусы такого бенчмарка

Плюсы	Минусы
Проверка социальных навыков ИИ	Сценарий упрощён по сравнению с реальной коммуникацией
Возможность сравнения разных моделей	Результаты зависят от конкретных правил игры
Тестирование манипуляций и обмана	Пока ограничено малым количеством партий

FAQ

Зачем ИИ проверять в играх вроде Among Us?
Такие тесты показывают, как модели ведут себя в условиях неопределённости и социальных взаимодействий.

Почему победа самозванца ценится выше?
Она требует не только логики, но и умелого обмана, что сложнее для ИИ.

Можно ли использовать этот бенчмарк для практических целей?
Да, он помогает оценить риски манипуляций ИИ в командных системах.

Мифы и правда

Миф: "ИИ не способен обманывать".
Правда: некоторые модели успешно применяют ложь как стратегию.
Миф: "Большая батарея знаний делает ИИ лучшим в играх".
Правда: решающим оказывается социальный интеллект, а не объём данных.
Миф: "Поддерживающая роль всегда проигрышная".
Правда: Kimi K2 доказал, что грамотная поддержка лидеров эффективна.

3 интересных факта

В бенчмарке впервые учли роль scapegoat — игрока, ошибочно обвинённого в самозванстве.
GPT-5 показал редкое для ИИ сочетание лидерства и умения врать.
Самыми уязвимыми оказались ИИ с чрезмерной агрессивностью в диалоге.