Al测试论文，一场AI界的“武林大会”

arxiv.org 最近的一篇论文，地址
https://www.arxiv.org/abs/2510.08928

把几种大模型AI扔进游戏厅，让它们在《真人快打II》的擂台上互殴——这就是这篇论文干的事儿！

以前评测多模态大模型（LMM），都是让它们看张图，然后回答“图里有几只猫？”这种问题。这太静态了，体现不出AI在动态、对抗性环境下的真实能力。该论文，搞个“大型模型格斗场”（LM Fight Arena），让六个顶尖的AI（包括开源和闭源的）在《真人快打II》里进行循环赛。它们都操控同一个角色（刘康），绝对公平。

比赛规则是看AI是怎么“看”和“动”的？

输入（AI的眼睛）： AI会实时看到游戏画面和一些结构化的游戏状态数据（列如血条位置）。

输出（AI的手）： AI需要根据看到的情况，用自然语言输出指令，列如“后退”、“发波”、“蹲防”。这些指令再被翻译成游戏手柄的按键。

比赛结果：谁才是“拳皇”？

冠军：Claude 3.5 Sonnet – 全胜战绩，血条优势也最大，堪称战术大师，攻防一体。

亚军：Gemini 2.5 Pro – 赢了80%的比赛，表现也很强势。

季军：Qwen2.5-VL-72B – 赢了60%，擅长“放风筝”（远程攻击）。

表现挣扎组： Qwen2.5-VL-32B 和 InternVL3-78B，时好时坏，战术不连贯。

“沙包”组：GPT-4o – 一场没赢！ 论文里吐槽它“几乎不防守”，仿佛在说：“我看见了，但我就是不动！” 这和其他静态测试中GPT-4o的强势表现形成了巨大反差。

这篇论文用一个极其有趣的方式，提出了一个严肃且重大的观点：未来的AI评测，必须从“静态快照”走向“动态视频”。毕竟，真实世界就是一个充满不确定性和对抗的“大型格斗场”