当谈到AI为何能从「预测下一个词」中诞生智慧时，Ilya Sutskever曾用一个生动的比喻来解释。
想象你在读一本悬疑小说，如果仅凭前面的线索就能在最后一页推断出罪犯是谁，那么你对这个故事的理解无疑是深刻的。
同样，AI通过学习海量文本，掌握了从字面到语义的「线索」，展现出惊人的智能。
受此启发，UCSD的华人研究者用游戏《逆转裁判》（Ace Attorney）测试AI的推理能力。
《逆转裁判》以错综复杂的故事情节和扣人心弦的法庭对决著称。
这款游戏堪称测试模型的完美舞台：AI化身侦探，收集线索、揭露矛盾，最终挖掘真相。
研究者让当前最顶尖的AI模型（GPT-4.1、Gemini 2.5 Pro、Llama-4 Maverick等）在《逆转裁判》中接受考验，看它们能否喊出「反对！」，扭转案情，揭开谎言背后的真相。
和侦小说一样，模型玩家得把线索、证据串起来，揭露证词中的矛盾，抓住真凶。
测试中，AI模型要参与紧张的法庭盘问环节。它要敏锐地找出证词中的漏洞，拿出正确的证据进行反驳。每个关卡有5次机会，犯错空间有限。
团队测试了多款顶尖的AI多模态模型，包括o1、Gemini 2.5 Pro、Claude 3.7-thinking和Llama-4 Maverick。
结果显示，o1和Gemini 2.5 Pro表现最佳，均晋级第4关。虽然未能通关，但o1在应对最复杂案件时，略胜Gemini 2.5 Pro一筹。
GPT-4.1与Claude 3.5表现相当。尽管GPT-4.1据称比GPT-4o有所提升，但这次测试中的表现与其持平。
Llama-4 Maverick一次没对，零分垫底！
为什么它很难？
《逆转裁判》游戏对AI模型十分困难，主要是因为模型需要有以下能力：
- 长文本推理：需要比对之前的对话和证据，发现证词中的矛盾点。
- 视觉理解：准确识别能反驳虚假陈述的图片。
- 策略决策（游戏设计）：动态变化的案件中，决定何时追问、出示证据或暂不行动。不仅要给出答案，还要在正确时机采取行动。
游戏设计要求AI把理解转化为有情境依据的行动，让它不只局限于处理文本或视觉任务。
因为AI需要推理情境化的行动空间，而非简单死记硬背，所以更不容易出现过拟合。
性价比哪家强
Gemini 2.5 Pro重新定义了性价比。
在性能相当的情况下，Gemini 2.5 Pro比o1-2024-12-17便宜6-15倍，甚至比GPT-4.1还便宜一点。
通过第1关的模型成本对比中，o1的API调用次数最少，总成本却是最高的。
调用次数体现的是策略，而非推理能力。因为深入挖掘证词，自然会触发更多请求。
进入更高关卡后，随着对话篇幅增加，o1的成本激增。
在第2关（一个很长的案例）中，o1的成本超过$45.75，而Gemini 2.5 Pro仅需$7.89，差距惊人！
注意：
- Gemini 2.5 Pro使用内置token计数方法，将所有图片都按258个token计算，因此实际成本可能略高。
- o1隐藏推理内容存在不确定性，其输出成本也可能被低估了。
目前团队已将项目开源，可以在里面查看如何设置游戏和LLM。
项目地址：https://github.com/lmgame-org/GamingAgent
除此之外，项目中还有更多经典游戏能测试AI模型的性能。
推箱子游戏
推箱子（Sokoban）是一款经典的单人游戏，以深邃的策略性著称。
推箱子的玩法简单直观，但挑战性极高。
玩家在一个由方格组成的迷宫中操作角色，通过逻辑思考和规划，将箱子推到目标位置。
2048游戏
这是一款数字益智游戏，玩家通过滑动方块合并相同数字，最终目标是合成2048方块。
策略上，应该优先保持最大数字在角落，规划滑动方向以避免方块堆积，灵活调整以应对随机出现的数字。
下图可以看出，Claude 3.7 玩起2048来还是挺丝滑的，能持续玩很多步。相比之下，GPT 4o不知道为什么，玩上几步就开始卡上了。
俄罗斯方块
俄罗斯方块是一款风靡全球的经典游戏。
玩家需通过移动和旋转方块，拼凑完整横行以消除得分，尽可能延长游戏时间或获得高分。
此外，还有超级马里奥、糖果粉碎传奇等多款游戏。
