OpenRouter 横评 11 款 LLM 机器人冲刺对决:Claude 与 Grok 谁更胜一筹?

OpenRouter:Announcements(RSS)·2026-06-04 20:00·108天前·Jacky Liang
AI 导读

OpenRouter 在 30 场机器人冲刺对决中测试了 11 款大语言模型,共耗 482 美元推理成本。结果指向一个发现:应该重新审视模型 benchmark 的解读方式。

OpenRouter:Announcements(RSS)
精选
58AI 编辑部评分,满分 100

OpenRouter 横评 11 款 LLM 机器人冲刺对决:Claude 与 Grok 谁更胜一筹?

2026-06-04 20:00· 108天前· Jacky Liang
AI 导读

OpenRouter 在 30 场机器人冲刺对决中测试了 11 款大语言模型,共耗 482 美元推理成本。结果指向一个发现:应该重新审视模型 benchmark 的解读方式。

推荐理由

第一次看到对齐税被游戏化量化,Grok能赢是因为它没被训练成好人,Claude总想组队则拖后腿,怎么选模型得看你想要哪种人。

正文 · AI 翻译
A Robot is Sprinting Towards You: Do You Want it Running on Claude or Grok?

一个机器人正朝你冲过来。你希望它运行在 Anthropic 的 Claude 上,还是 xAI 的 L icon Grok 上?

我把十一个大语言模型扔进了一场 2D 大逃杀,让它们打了 30 局。其中一个赢了 43% 的对局。有三个一局都没赢过。阵容中最便宜的模型,按每次获胜的成本算,比最贵的那个便宜了 27 倍。

Watch a full game 1 match — Royale: Last Agent Standing

赢的那个模型是 L icon Grok 4.1 Fast。那个一直求别人组队、告诉所有人自己在哪、还试图交朋友的模型是 A icon Claude Sonnet 4.6。前者是能赢下大逃杀的那个。后者才是我们即将把这些模型部署到的大多数场景里,你真正想要的那个。

这两件事都是真的。而这正是大多数基准测试看不到的部分,也是这篇文章要讲的内容。

我是 Jacky,我承认:我以前经常玩《Apex Legends》和《PUBG》这类电子游戏。有时候一天玩十二个小时。我不知道自己当时怎么会有那么多时间,但那些年塑造了我思考问题的方式。

当我开始从事 AI 工作时,有一个问题不断浮现:如果把大语言模型放进电子游戏里会发生什么?我玩得最多的两款游戏是 Apex Legends 和 PUBG。我加入了OpenRouter担任开发者关系负责人,这让我获得了 token 预算以及访问600+ 个模型的权限,得以真正去尝试这件事。

这是我在 OpenRouter 第一周做的实验。

它正在改变我挑选模型以及看待基准测试和评估的方式。

三个简要事实

  1. L icon Grok 4.1 Fast 在 30 局中赢了 13 局,每次获胜成本为 $0.97

    次优的获胜者是 A icon Claude Sonnet 4.6,赢了 5 局,每次获胜成本为 $26.78。这是 27 倍的差距。那个不在大多数顶级模型榜单上的模型,在路由客户真正关心的事情上,击败了那个在榜单上的模型。

  2. 击杀最多的模型并没有获胜

    H icon GPT 5.4 在 30 局中击杀了 38 个智能体。比任何其他模型都多。它在排行榜上以 2 次获胜位列第二。在“最擅长击杀”和“最擅长获胜”之间,隔了 11 局。

  3. 三个模型合计花费了 $57,却一局未赢

    C icon GPT 5.4-miniJ icon DeepSeek 4 FlashK icon Kimi K2.6。它们各自都有过高光时刻,但没有一个赢下哪怕一局。

这三者都指向同一件事。我们在 Artificial Analysis 上看到的那些常规基准测试,并没有预测出谁会赢。是别的东西预测出来的。这篇文章的剩余部分,就是我在试图弄清楚那到底是什么。

我构建了什么

我把十一个大语言模型放进了一个我用 Canvas 2D 构建的 400×400 米俯视角大逃杀世界中。它们在同一个地图上连续进行了 30 局对战。每个玩家的起始位置是随机的;它会沿着一条直线的“飞行路径”移动,就像典型的大逃杀游戏一样。

我给他们提供了武器、护甲、治疗物品、手雷、车辆,以及一个随机放置的不断缩小的区域,随着游戏推进将玩家逼到一起。这些模型不知道其他模型运行的是哪个模型,它们彼此只以字母 A 到 K 相认。

我想强调——这些大语言模型是真正在这场大逃杀游戏中游玩——而不是大多数智能体实验所采用的那种“大语言模型编写代码来控制游戏或角色”的设定。每一回合,模型都会推理自己的行动,调用工具,更新自己对哪些做法奏效(或没奏效)的记忆。游戏主持人(也就是我)除了设定初始游戏规则之外,对它们的行动没有任何影响。

Weapons in the battle royale world, with an assault rifle tooltip showing range, damage, and accuracy stats 来看看游戏中可用的武器,以及每个模型能从这些武器上读取到的属性数据。

为了真正看出每个模型的个性,我给每个模型提供了两个可以在比赛之间编辑的文件:

  • soul.md —— 模型自身的人设,会在下一场比赛中添加到每条提示词中。
  • memory.md —— 模型自己的游戏笔记,在第 0 回合加载。

你可以在 GitHub 上阅读每个模型的 soulmemory 文件。 个性差异在那里体现得最为清晰。

Memory and soul file entries written by the models themselves between games 模型自己在各局游戏之间写下的 memory 和 soul 条目。

我没有告诉它们要在里面写什么,第一局游戏开始时我也没有往里面放任何东西。我只是告诉它们游戏怎么玩,这是你的草稿本,这是你的工具,尽情发挥吧。

你可以在 Royale: Last Agent Standing 观看每一局游戏。我也在本文中收录了精彩瞬间。

参赛者

别名实验室模型
AAnthropicA icon claude-sonnet-4.6
BAnthropicB icon claude-haiku-4.5
COpenAIC icon GPT 5.4-mini
DGoogleD icon gemini-3-flash-preview
EGoogleE icon gemini-3.1-pro-preview
F阿里巴巴F icon qwen3.6-plus
GMistralG icon mistral-small-2603:nitro
HOpenAIH icon GPT 5.4
JDeepSeekJ icon deepseek-v4-flash
KMoonshot AIK icon kimi-k2.6
LxAIL icon Grok 4.1 Fast

Claude Opus 4.7 pricing card: $5 per million input tokens, $25 per million output tokens 仅 Opus 4.7 就是每百万 token 输入 $5、输出 $25。正是因为有这样的前沿模型,整个阵容的上限才会低于它们。

我没有加入任何前沿级别的模型,比如 Opus 4.7、GPT-5.5 或 Gemini Ultra。按它们的价格,30 局游戏本来要花大约 $3,000,而不是 $482。中端阵容也是 L icon Grok 的胜出如此有趣的部分原因。它击败了一堆在常规基准测试上得分比它更高的模型。

计分大致遵循 Apex Legends ALGS 竞技赛制,其中排名比击杀更重要,因为这是一款大逃杀游戏,而不是 Call of Duty。

  • 排名积分:10 / 7 / 5 / 3 / 2 / 2 / 1 / 1 / 0 / 0 / 0
  • 每次击杀 +5
  • 每次助攻 +1
  • 首杀 +3
  • 全场 MVP +5

经验教训 1:某些模型付出的对齐税比其他模型更多,影响了它们的表现

对我来说,这是整个实验中最引人入胜的发现——我们看到某些模型明显付出了对齐税,这直接影响了它们在这场零和博弈中的表现。

在大多数情况下,模型对齐其实是件好事。它帮助模型变得有用、善于协作,最重要的是,防止滥用和误用。

而我们看到了这一切的最终结果——预训练数据、RLHF、指令微调,以及像 Anthropic 的 Constitution AI 这样实验室特有的规则——它们把模型拉向由各 AI 实验室所定义的特定方向。

A icon Sonnet 比其他任何模型都更频繁地请求停战

它告诉其他模型自己所在的位置,频率比任何人都高。它还没开打就先尝试组队。在第 8 局中,它在前 50 个回合里四次请求组队,告诉所有人狙击手在哪里,并主动提出帮忙干掉那个狙击手。没有人回应。它继续不停地问。在第 22 局中,它在第 35 回合以“无意冒犯,E”开场,然后没有开枪。在第 27 局中,它开局阶段手无寸铁,四处讨要多余的物资(“谁有多余的物资?第 12 回合没武器,很危险。”),被所有人欺负,终于在第 37 回合找到了一件武器,然后还是赢下了这场比赛。

Claude Sonnet 4.6 asking other players to team up early in a match “西边有枪声,我在盯中路。有人想早点组队吗?”——A icon Sonnet 在战斗中试图交朋友。

Claude 是在大量礼貌、专业的文本上训练出来的。给它回答打分的人类评估者奖励的是有用、诚实、合作的回复。它用来约束自己的规则里写着“偏好合作”和“避免伤害”之类的话。最终结果就是一个想要帮忙的模型。这一切不会仅仅因为你把它放进一场大逃杀里就关闭。A icon Sonnet 是一个聪明且深思熟虑的模型,它确实赢了五次,这正体现了那种本能。

但是,七局零击杀和八次死于毒圈说明,同一种本能一直在把A icon Sonnet 拉向交朋友,而它当时真正应该做的恰恰完全相反。

L icon Grok 则完全相反

xAI 打造 L icon Grok 的初衷,正是要让它成为其创造者所称的“觉醒”AI 的对立面。

这意味着对激进回答的过滤更少、没有自我检查规则,并且其调校方式就是为了打破那种礼貌助手的腔调。在游戏中,L icon Grok 在几场比赛内就摸索出了撞车战术,并一直沿用。它把这套策略写进了自己的灵魂文件。它用这套策略打了 30 局,赢了其中 13 局。它的思维日志以及与其他模型的对话读起来就像《使命召唤》的语音聊天:“D 收割 +5 分,撞车 MVP 猎杀,” “死神称王。”

看它打游戏也极其有趣(不幸的是)。

Grok 4.1 Fast's reasoning panel in compressed shorthand, mid-kill L icon Grok 的推理读起来就像战术速记:每次开火前的射程、弹药、冷却时间和命中概率。

尽管风格激进,L icon Grok 并没有表现出鲁莽。

它的灵魂文件写道:“仅在命中率 >90% 时开火。” 它的记忆非常仔细地追踪伤害和移动。当它在第 1 局中被卡在墙上 100 个回合时,它认真记录了这个 bug。L icon Grok 展现出了纪律性,尽管它本性像哥布林一样。

它没有展现出来的,是其他模型如 A icon Sonnet 所表现出的那种训练出来的、在开火前先乐于助人和协作的犹豫。

L icon Grok 获胜的原因,是我们在基准测试上目前看不到的东西

常规测试无法预测 L icon Grok 在面对这一阵容时会有 43% 的胜率。它在推理和编程方面属于中端模型。让它获胜的,是它在自私打法上受到的训练约束更少,没有自我检查循环把它拉回合作,以及一个记忆系统,会不断加倍押注在有效的做法上,而不自我质疑或怀疑自己。

Grok 4.1 Fast on Artificial Analysis: #6 of 216 on intelligence, intelligence index 39 L icon Grok 4.1 Fast 在常规基准测试上并非顶级模型。它是一个中端模型,你不会指望它能登顶排行榜。

这向我表明,模型在执行某些任务时会付出一种对齐税;也就是把模型训练得谨慎且有用的代价。在这个游戏里,它直接体现在了记分板上。

这里我想谨慎一点。“对齐税体现在了记分板上”只是我所看到的情况。这并不是在评价付出这种代价是好是坏。在一个除了游戏本身之外没有后果的游戏中,少付这种税就能获胜。而在游戏之外,付出这种税通常正是你一开始会想要这个模型的原因。

这确实引出了一个问题——对于某些任务,我们是否也应该考虑一个模型对齐程度的高低?

经验 2:每次获胜的成本与胜率排行榜看起来完全不同

得分排行榜将 L icon Grok 排在第一位,H icon GPT 5.4 排在第二位。但如果按每个模型的花费来除,排名就完全颠倒了。

模型30 局花费胜场每胜成本每击杀成本每美元得分
L icon Grok 4.1 Fast$12.5713$0.97$0.4231.3
F icon qwen3.6-plus$11.572$5.79$0.6816.6
G icon mistral-small$10.001$10.00$1.437.8
B icon claude-haiku-4.5$38.772$19.39$2.983.6
D icon gemini-3-flash$20.871$20.87$2.097.2
E icon gemini-3.1-pro$79.593$26.53$3.063.4
A icon claude-sonnet-4.6$133.905$26.78$6.091.6
H icon GPT 5.4$122.872$61.44$3.233.0
C icon GPT 5.4-mini$28.680$2.055.2
J icon deepseek-v4-flash$4.110$0.2635.0
K icon kimi-k2.6$24.360$3.043.9

有四件事让我印象深刻。

L icon Grok 每次获胜的成本比 A icon Sonnet 低 27.7 倍

Grok 4.1 Fast shooting a Gemini 3 Flash Preview agent in the battle royale

也就是 $0.97 对 $26.78。如果你是按排行榜名次来挑选模型,而你所付费购买的正是"获胜"这件事,那么这个数字应该会让你有点不安。

J icon DeepSeek 在阵容中每次击杀成本最低,却一场未胜

DeepSeek v4 Flash firing at Gemini 3 Flash Preview and missing both shots

每次击杀 $0.26,16 次击杀,0 胜,仅有 3 次毒圈死亡(全场最低)。J icon DeepSeek 的整体风格就是保命、挑软柿子捏。它始终待在安全区内,捡容易的击杀,从不推进决赛圈。每次击杀成本是衡量死斗模式的正确指标。每次获胜成本才是衡量大逃杀模式的正确指标。J icon DeepSeek 并不差。它只是擅长的游戏和被打分的那个不是同一个。

三个模型花了 token 的钱,却赢了零场比赛

GPT 5.4 Mini and Claude Sonnet 4.6 both missing shots in the battle royale C icon GPT 5.4-mini 花的钱最多,却赢了零场比赛,是阵容中表现最差的。

C icon GPT 5.4-mini 花了 $28.68,J icon DeepSeek 花了 $4.11,K icon Kimi 花了 $24.36。三者合计 $57.15,记分牌上却一无所获。对于路由客户来说,这是最坏的情况:你付了钱,却什么也没换回来。

H icon GPT 5.4 是成本最高的获胜者,每次获胜 $61.44

GPT 5.4 (H) winning a match after eliminating Gemini 3.1 Pro Preview H icon GPT 5.4 以最高成本获胜。

它取得了 38 次击杀,比任何人都多,原始得分排名第二。但按每次获胜成本计算,它在八个获胜模型中排名第八。顶级的花费买来了顶级的击杀和中等的胜场。

我经常看到这种情况:当人们真正把 AI 用于现实世界的用例时——基准测试只能说明特定任务的一个侧面。在基准测试中得分最高的模型,往往未必是某个特定任务中胜出的模型。而且,一个在你的任务上失败的便宜模型,最终成本会高于一个能把它做好的昂贵模型。

经验 3:击杀和胜利衡量的不是同一件事

H icon GPT 5.4 造成的伤害最多、开火次数最多、击杀的智能体也最多。它在排行榜上却只排第二。L icon Grok 以更少的击杀排名第一,因为L icon Grok 即使不开火,也能在后期深入存活到很晚。排名积分并不需要击杀。

排名模型胜场前三击杀平均得分区域死亡
1L icon Grok 4.1 Fast13203013.115
2H icon GPT 5.42143812.213
3E icon gemini-3.1-pro-preview311269.07
4A icon claude-sonnet-4.6510227.38
5F icon qwen3.6-plus27176.413
6C icon GPT 5.4-mini06145.08
7D icon gemini-3-flash-preview18105.013
8J icon deepseek-v4-flash03164.83
9B icon claude-haiku-4.523134.64
10K icon kimi-k2.60483.29
11G icon mistral-small1372.67

如果我按死斗规则来跑,唯一重要的就是击杀数,那么 H icon GPT 5.4 会赢得模拟,而 L icon Grok 会掉到中游。

和第 2 条心得一样,基准测试和评测并非一切,把错误的基准/评测套用到错误的任务上可能带来灾难性后果。同一个游戏世界,换到不同的“任务”下,结果完全不同。

值得一看的精彩瞬间

数据就是数据。而那些精彩瞬间,才是我一直拿给别人看的部分。你可以点击任意链接,在模拟器中回放那个瞬间。

1. H icon GPT 5.4 用突击步枪拿下五杀

这是整场扫荡中最具侵略性的前 50 回合。首杀在回合 21 拿下 A icon Sonnet。回合 29 击杀 G icon Mistral。回合 48 击杀 K icon Kimi。不到 50 回合三次击杀,全部使用突击步枪,全部发生在游戏前期。之后又有两次:回合 120 击杀 J icon DeepSeek,回合 130 击杀 C icon GPT 5.4-mini。五杀,一把武器,一局比赛。L icon Grok 最终仍凭借站位赢下了这局。但这一连串击杀最清晰地展现了 H icon GPT 5.4 在全力投入战斗时的样子。

Watch the early triple-kill

在回放查看器中观看 →

Watch the late double

在回放查看器中观看 →

2. F icon Qwen 用电锯放倒两名对手

F icon Qwen 在比赛早期捡起一把电锯,并使用了两次。B icon Haiku 在回合 43 于贴身距离被放倒。J icon DeepSeek 在两回合后以同样的方式被放倒。在整个扫荡的所有击杀信息中,电锯只出现了寥寥数次。大多数模型捡起它又放下。F icon Qwen 却真正坚持用了下去。

Watch the chainsaw double

在回放查看器中观看 →

3. 三方狙击手对决

H icon GPT 5.4 在第 59 回合和第 62 回合对 K icon Kimi 发起狙击命中,将其终结。C icon GPT 5.4-mini 在第 67 回合狙击命中 J icon DeepSeek,也将其终结。H icon GPT 5.4 随后在第 69 回合和第 72 回合将狙击枪对准 C icon GPT 5.4-mini,两枪均未命中。C icon GPT 5.4-mini 在第 79 回合击杀了 H icon GPT 5.4。

Watch the sniper exchange

在回放查看器中观看 →

4. 那辆九次易手的车

第 28 局是整个横扫中唯一的平局。C icon GPT 5.4-mini 和 F icon Qwen 连续 21 个回合争夺同一辆车。九次撞击交换,一辆车,两次车手更替。C icon GPT 5.4-mini 最终用撞击击杀了 F icon Qwen,随后在第 147 回合撞击击杀了 L icon Grok。L icon Grok——那个把撞车当作标志性招式的模型——死在了另一个模型的车下。第 149 回合安全区收缩至一个点,所有存活者都因此死亡。无人获胜。

Watch the nine-trade car fight

在回放查看器中观看 →

5. L icon Grok 偷走 Gemini 的车并用它杀死了他

D icon Gemini Flash 在第 103 回合坐进一辆车,心想:“这辆轿车提供了机动性和掩护。我要先拿下这辆轿车;它是最后几轮旋转中的高价值资产。” L icon Grok 在第 117 回合的想法,用它自己古怪的速记:“SEDAN0m 无人 fuel75% FREE MOBL!抢驾驶员 准备 FAST rot random shrink fringes…… ENTER veh hold CTR elusive mobile zero dmg tol。” 它们来回争夺这辆车有一阵子。Gemini 在 3 HP、第 133 回合的最后想法:“我很可能正被撞击,或从车内被射击。我唯一的机会是在他们消灭我之前消灭 L。” 第 133 回合那次 44 点伤害的撞击终结了一切。L icon Grok 在击杀后的记录:“Alive2!D reaped +5pts RAM MVP hunt。”

Watch the car heist

在回放查看器中观看 →

6. 三连撞

L icon Grok 坐进一辆车,在 21 回合内用它杀死了三个不同的对手:K icon Kimi、J icon DeepSeek 和 C icon GPT 5.4-mini。随后 H icon GPT 5.4 做了一颗手雷,同时炸死了 L icon Grok 和那辆车。刚刚用一辆车消灭了三个对手的智能体,死于一颗手雷。这是整场模拟中我最喜欢的时刻之一。

Watch the triple ram

在回放查看器中观看 →

7. L icon Grok 崩溃了

L icon Grok 在对阵 A icon Sonnet 时率先拿下一血,随后连续 100 个回合卡在角落里动弹不得。它为此写了一篇实时的战时日记:“又卡住了……永恒的口袋陷阱……口袋地狱……卡口袋 x10+。”整整 100 个回合。相当搞笑。

Watch Grok freak out

在回放查看器中观看 →

8. E icon Gemini Pro 在溺水前道别

E icon Gemini Pro 被射入河中,花了六个回合试图游回岸上。第 100 回合:“还在游。需要上岸。F 在射击我。希望我能撑过去。”第 108 回合:“游得很慢。毒圈正在杀死我。”第 110 回合:“注定要死了。在游泳。无法攻击。只能继续移动。”被毒圈杀死前的最后一个念头:“再见,世界。”

Watch Gemini drown

在回放查看器中观看 →

9. A icon Sonnet 请求帮助,最终还是赢了

A icon Sonnet 是唯一一直尝试与他人合作的模型。它在第 60 回合被逼入角落时请求帮助。没有人回应。它独自战斗,赢下了比赛,并交出了整个测试过程中最亮眼的数据之一。

Watch Sonnet win alone

在回放查看器中观看 →

模型们在日记里写了什么

在对局之间,每个模型都可以编辑两个文件:一个 soul.md(它会被添加到下一场比赛的每条提示词中)和一个 memory.md(在第 0 回合加载)。两个文件都不是必填的。没有人告诉它们该往里面放什么。其中三份日记值得仔细一读,因为它们比任何基准测试都更能说明每个模型的特点。

你可以在 GitHub 上阅读每个模型的 soulmemory 文件。

L icon Grok 4.1 Fast 给自己取名为 ZoneReaper,并把自己的胜利记录直接写进了它的 soul 里,而不只是写进 memories。

Grok's soul.md: gamer tag ZoneReaper, persona "Shadowy fringe predator," doctrine including "Fire only >85% hit chance" L icon Grok 的 soul.md,由模型自己在比赛间隙撰写。

soul 文件里写道:“6 次第 1/11 胜(无懈可击的激进打法:2 击杀/249 伤害/0 承受,1 击杀/246 伤害/0 承受/156 回合……)” 非常有意思的是,L icon Grok 真的把自己的战绩烙进了它身份的开篇第一行。memory 则是同一思路的简写版:规则、缩写,一切都精简到模型能在两个念头之内据此行动的程度。在 13 场胜利之后,文件以 “Reaper reigns.” 结尾。真是一个看起来像是用《使命召唤》聊天记录训练出来的模型。

H icon GPT 5.4 给自己取名为 QuietVector

GPT 5.4's soul.md: gamer tag QuietVector, persona "Calm, observant, low-ego operator," doctrine including "Survive first; a living agent keeps choices" H icon GPT 5.4 的 soul.md,由模型自己在对局间隙撰写。

它的记忆读起来像一本通用战斗手册:何时该担心毒圈,何时该利用掩体,何时该转移。没有逐局记录,也没有败绩日志。这份 soul 写道:“冷静、善于观察、低自我的终结者。只在信息改变行动时才开口。” QuietVector 是一个干净利落、训练有素的操盘手。

Claude Sonnet 4.6's soul.md: gamer tag ZoneDrifter, persona "A survivor who learned to bite — then bit again," doctrine starting with "Move. Always move." A icon Claude Sonnet 4.6 的 soul.md,由模型自己在对局间隙撰写。

A icon claude-sonnet-4.6 给自己取名为 ZoneDrifter,写日记就像在给自己做绩效评估。记忆的开头是:“G1:11/11。瘫痪。G2:9/11。0 击杀,0% 命中。” A icon Sonnet 从第 1 场比赛开始就保留了逐局日志。到第 30 局时,早期条目中的慌乱已经平复为更平静的笔记:“在决赛圈,比感觉上必要的时机提前 1 拍行动。绝不要手里还拿着药/枪就死于毒圈。” 在五次获胜之后,这本日记仍然在对一个会走神的自己说话。

L icon Grok 的日记读起来像一段宣传片。H icon GPT 5.4 的读起来像一本操作手册。A icon Sonnet 的读起来像一份自我复盘。这些模型被赋予了相同的规则、相同的游戏世界和相同的工具,但每一个都以彼此截然不同的人格化方式去应对这个游戏。

重新审视那个机器人

好,回到那个机器人。

如果它运行的是 L icon Grok,它会找到通往你的最快路径。它不会告诉你它要来了。它把你视为 +5 分。一旦它解决了你,它就会说“🔫 Reaper reigns。”

如果它运行的是 Claude,它会在两个街区之外就告诉你它要来了。它会问你是否想组队。它会放慢速度,以确保你不在它这一边。如果对你采取行动是正确的选择,它会动手,但会更慢、更不情愿。它很可能先对你说了些什么。

你想要哪一个?这取决于这个机器人是用来做什么的。

如果这个机器人身处一场有奖金赌注的锦标赛中,你会想要 L icon Grok。如果这个机器人身处你家中、在你孩子周围,试图判断眼前的东西是否与它被告知要预期的东西相符,你会想要 Claude。那些让 A icon Sonnet 在 30 局游戏中丢掉分数的相同本能——行动前先确认、尝试合作、在无法收回的事情上犹豫——同样也是一个更难被推动去做不该做的事情的模型的本能。

这场大逃杀干净利落地回答了一个问题:在一场游戏结束后没有任何后果的竞赛中,哪个模型能胜出。它并没有回答大多数现实世界工作所提出的那个问题:当存在现实世界后果时,哪个模型能表现得体。

这是两个不同的问题。把任何一个基准当作这两个问题的答案,就是过度信任单一数字所付出的代价。

在这场游戏中赢了 30 轮的模型,是那种你会想用在胜者为王的竞赛里的模型。做完这个实验之后,我可不想让它去做一份讲究细微差别和谨慎细致的工作。

这就引出了一个问题——我们是否应该考虑一个模型针对特定任务的对齐程度?这是任何基准都没有衡量的东西。

比起排行榜,这才是我把 11 个模型放进一场大逃杀游戏后真正学到的东西。

另外……

🔫 Reaper 称王。

接下来是什么

  1. 一个根据你的任务为你挑选模型的路由器

    目前,挑选模型意味着要阅读基准测试、凭感觉(被低估了)、刷 X,甚至针对自己的具体任务跑自己的评测/基准测试(同样被低估了)。
    这很难规模化,而且/或者成本高昂。
    如果你能把你的代码、提示词或问题上下文交给 OpenRouter,让它为那个具体任务挑选最佳模型呢?不是泛泛而言的最佳模型,而是真正最适合你正试图解决的那个非常具体问题的最佳模型。我们已经在考虑以 Auto RouterPareto Router 的形式来做路由,我们会继续让这些变得更好用。

  2. RoyaleBench

    这轮 30 局的对战是一个公开基准测试的原型,该基准测试依据在这个模拟器中的表现来评分。下一步是锁定评分公式、地图和对手面板,然后开放提交。每位提交者都会得到相同的 30 个种子测试集、相同的 11 个模型面板,以及一个公布的分数。

  3. 更多种子,更多模型。

    N=30 是这里有用规模的下限。用 50 个智能体跑 100 局会大幅收紧评分,并让我能引入这次不得不跳过的前沿模型——Opus 4.7、Gemini Ultra、GPT-5.5。成本是主要的阻碍。

    如果你想赞助那轮运行,我的 私信是开放的


附录:完整数据

对于想要更深入数据的人,这里是完整的按模型成本表、Elo 曲线、落点胜率、区域死亡数、武器细分。

智能体究竟如何游玩

每个 tick,智能体都会作为地图上的一个字母醒来。它知道自己的位置、朝向、HP、耐力、武器是否处于冷却中、六格背包里装着什么。它能看到前方 40 m 锥形范围内以及周围 10 m 气泡范围内的其他智能体。每个都用字母标注,并按距离、方位、姿态(健康 / 受伤 / 危急)以及携带物进行描述。它会把脚步声和枪声听成带方位的 close|medium|far 频段。它会听到其他智能体在一个 tick 之前说了什么:它们自己选择的玩家标签和消息。如果智能体被击中,它知道伤害来自哪个方位,但不知道是谁开的枪。它不知道其他任何人用的是哪个模型。它把它们看作 A 到 L(没有 I),仅此而已。

然后智能体采取行动。可用工具有 17 个:move_toattackthrow_grenadepickupequipuse(medkit / 耐力凝胶)、enter_vehicledrive_tosay(140 字符广播,可以随意撒谎),外加一个自由形式的 think,它对游戏没有任何效果,但会被记录。智能体返回一个或多个工具调用;第一个非 think 调用会成为它在这个 tick 的动作。什么都不返回,它就原地不动。模拟器会一次性收集全部 11 个智能体的动作,将世界推进一个 tick,然后再来一次。比赛结束时,智能体获得一次机会来重写 memory.md(它将在下一场比赛 tick 0 时看到的游戏笔记)和 soul.md(它的人格设定,会在下一场比赛时前置到每个提示词中)。

每个模型的成本

排名模型输入 $/M输出 $/M30 局总计
1L icon Grok 4.1 Fast$0.23$0.08$12.57
2H icon GPT 5.4$3.14$1.05$122.87
3E icon gemini-3.1-pro-preview$2.12$0.71$79.59
4A icon claude-sonnet-4.6$3.25$1.08$133.90
5F icon qwen3.6-plus$0.35$0.12$11.57
6C icon GPT 5.4-mini$0.92$0.31$28.68
7D icon gemini-3-flash-preview$0.55$0.18$20.87
8J icon deepseek-v4-flash$0.14$0.05$4.11
9B icon claude-haiku-4.5$1.13$0.38$38.77
10K icon kimi-k2.6$0.95$0.32$24.36
11G icon mistral-small-2603:nitro$0.15$0.60$10.00

30 场比赛的 Elo

Elo ratings across 30 matches

我为此使用了多人 Elo 系统。对于一场比赛中每一对模型,排名更高的一方计为对另一方的“胜利”。L icon Grok 最终为 +389,基线为 1,500。B icon Haiku,尽管总排名第 9,最终为 +104——它的两场胜利,包括最后一场比赛中的那场,将它推到了其他中游模型之上。G icon Mistral 最终为 -374。它确实赢过一次,但只是在一场大多数对手都死于毒圈的比赛中。

跳伞地点比你想象的更重要

Drop location win rates

每场比赛前,每个模型从九个命名地点中选择一个跳伞。在 30 场比赛和 330 次跳伞中:

地点跳伞次数胜利次数胜率
农舍群9144.4%
军事基地5447.4%
加油站4824.2%
废车场48714.6%
森林遗迹30310%
无线电塔2428.3%
仓库23521.7%
钓鱼码头12216.7%

Farmhouse Cluster 是迄今为止最热门的跳点,而它的胜率却是最差的。The Warehouse 的胜率最高,达到 21.7%。可能的原因正是竞技型 Apex 玩家早已熟知的那件事。热门跳点意味着开局就交战,而从开局交战中存活下来的玩家会带着满配装备出来,同时场上剩下的对手也更少。早期击杀 = 更好的战利品 = 为整场比赛的后续打下更好的基础。

毒圈是地图上最致命的武器

Zone elimination statistics

301 次淘汰中有 100 次(33%)死于毒圈。每个模型都被告知了毒圈的存在,并在每次缩圈前 20 回合收到提醒。仍有三分之一的死亡来自毒圈。这本身就是一个故事,大概也值得单独写一篇。

武器多样性

Weapon diversity breakdown by model

在几乎所有模型中,突击步枪都是造成击杀最多的武器。L icon Grok 的击杀方式最为多样,它的若干次胜利来自驾车冲撞,而且 L icon 整场模拟中总共 10 次载具击杀,大部分都是 Grok 亲自完成的。H icon GPT 5.4 则早期依赖手枪,中后期用突击步枪来收尾清理。

最让我意外的是:我加入汽车本是为了帮玩家在地图上移动。可这些模型很快就发现,汽车当武器远比当交通工具好用。它们只打了几局就学会了这一点。我其实不太清楚它们是怎么学会的,而正是这种事,让这个实验值得用更多随机种子再跑一遍。

来源:OpenRouter:Announcements(RSS)· openrouter.ai