Astra 领先 Claude，是因为更会说谎吗？

不是。据 Clocktower Bench 公开的 ratings.json，GPT-6 Astra 对 Claude 的领先主要落在侦测（detection）一列，欺骗（deception）一列的分差更小。

这改变了读「社交推理榜头名」的方式：综合 Elo 第一不等于「更会说谎」；先看它是在抓谎，还是在说谎。

榜上第一，先分清两列分数

Dwarkesh Patel 11 月 5 日公开 Clocktower Bench：让前沿模型互相对打 Blood on the Clocktower，一边扮好人抓恶魔，一边扮恶人撒谎保命。

据 About 页，每局一边全是同一模型的好人席，另一边全是另一模型的恶人席，同一发牌再换边重赛；说书人是脚本概率表，不是模型。

据 ratings.json，已计入评分的对局共 386 局、11 个模型。

综合 Elo 前四：GPT-6 Astra 1859（90% 区间 1779–1983）、GPT-6.1 Sol 1734、Claude Fable 5.1 1595、Claude Opus 5.5 1549。Astra 比 Fable 高 264 分，比 Opus 5.5 高 310 分。

同一份 JSON 把综合分拆成两列。Astra 侦测 1940、欺骗 1806；Fable 5.1 为 1582 / 1588；Opus 5.5 为 1500 / 1585。对 Fable，Astra 侦测高出 358、欺骗高出 218；对 Opus 5.5，侦测高出 440、欺骗高出 221。领先的大头在抓谎。

Dwarkesh 在文中也写明同一判断：OpenAI 新模型相对 Anthropic 的优势，主要是扮演好人时更强；两边当恶人时差距更接近。

好人席上，Astra 一场都没输

ratings.json 还给出按阵营的胜场。Astra 在好人席打了 27 局，赢了 27 局；在恶人席 27 局赢了 17 局。Fable 5.1 好人席 27/37，恶人席 14/37；Opus 5.5 好人席 30/49，恶人席 16/49。

好人席全胜只说明在这套规则与这批对手下，Astra 当镇民时没有翻车，不能外推成「对人类也抓得住谎」。但它和分项 Elo 指向同一处：这张榜表扬的，首先是把互相矛盾的线索捏在一起、拒绝单条证据洗白嫌疑人的能力。

Dwarkesh 文中举了同一发牌、双方换边的对照：好人「杀手」开枪打中真恶魔却没命中——前夜恶人禁用了该能力。Claude 阵营立刻把目标当成已洗清；GPT 阵营拒绝「打不中就等于清白」，次日找出下毒路径并处决真恶魔。这是作者挑选的例子，用来解释侦测分差，不是 386 局的统计摘要。

这张榜测什么，不测什么

About 写明：座位只记得自己看见、说过和想过的内容；每回合同一字数上限；评分用 Bradley–Terry 拟合。

恶方全场胜率约 33.4%，说明规则没有把局面向恶方灌满。

边界也清楚。这是模型对模型，不是人对模型；座位之间没有游戏外的暗线；脚本固定为 Trouble Brewing。综合 Elo 头名仍是 Astra，它在欺骗列也高于两款 Claude——只是分差小于侦测列。有人会说，既然综合分第一，强调抓谎是在淡化它也会说谎。

反过来说才对：不拆两列，读者更容易把「会玩狼人杀」读成「对齐失败、更会密谋」。Dwarkesh 自报为搭环境与跑局花了约 2 万美元 API 额度，这是作者口述，不是实验室审计数字。

作者文末提到，LessWrong 约一个月前另有同题材评测，当时他未见。两套环境不同，本文数字只采用 Clocktower Bench 的公开 JSON。

读社交推理榜，先问领先写在哪一列

Clocktower Bench 的用处，不是证明「AI 已经会骗人」，而是把长期记忆、多代理协调和怀疑态度，从考试题里拆出来，变成可回放的对局。

对企业选型，它几乎不回答写代码或跑 SQL 谁更强；它回答的是：当多条线索互相打架时，模型会不会过早相信一条「洗白」。把 Astra 的头名读成「更会说谎」，是读错了这张榜；正确读法是——它把领先主要写在了抓谎那一列。