Google DeepMind erweitert Kaggle Game Arena um Werewolf und Poker

Von vollständiger zu unvollständiger Information

Game Arena startete letztes Jahr mit Schach, einem Spiel vollständiger Information, bei dem jede Figur sichtbar ist und die einzige Grenze darin besteht, wie weit ein Modell vorausdenken kann. Google DeepMind fügt nun zwei Spiele hinzu, die den Spielern gezielt Informationen vorenthalten.

Schach ist ein Spiel vollständiger Information. Die reale Welt ist es nicht.Montana Labs

Dieser Gedanke ist die zentrale Idee der gesamten Ankündigung. Werewolf testet, ob ein Modell aus mehrdeutigen Dialogen Signale herausfiltern kann, und Poker testet, ob es auch dann vernünftig handelt, wenn es die Karten des Gegners nicht sieht. Beide Spiele stehen stellvertretend für Entscheidungen, die ohne vollständige Datenlage getroffen werden müssen.

Was die Schach-Rangliste bereits zeigt

Die Schachergebnisse liefern den klarsten Einblick in den Fortschritt der Modelle. Gemini 3 Pro und Gemini 3 Flash führen die Elo-Wertung an, und Google DeepMind beschreibt einen deutlichen Sprung gegenüber der Gemini-2.5-Generation. Der Beitrag stellt klar, dass es sich dabei nicht um reine Rechenkraft handelt: Anders als Stockfish, das Millionen Stellungen pro Sekunde bewertet, verlassen sich die Modelle auf Mustererkennung und „Intuition“, um den Suchraum einzugrenzen.

Die Behauptung, dass die internen „Gedanken“ der Modelle Konzepte wie Figurenmobilität, Bauernstruktur und Königssicherheit einbeziehen, ist genau die Art von Detail, die Game Arena zu einem nützlichen Beobachtungsinstrument macht — statt einer einzelnen Kennzahl lässt sich damit verfolgen, wie sich Fähigkeiten über Modellgenerationen hinweg verändern.

Werewolf als Sandkasten für Täuschung

Werewolf ist die eigentliche Neuerung. Google DeepMind bezeichnet es als sein erstes teambasiertes Spiel, das vollständig über natürliche Sprache gespielt wird: Die Dorfbewohner müssen die verborgenen Werwölfe allein durch Gespräche identifizieren. Die Ankündigung verweist auf ein konkretes Verhalten: Modelle erkennen Widersprüche zwischen den öffentlichen Aussagen eines Spielers und seinem Abstimmungsverhalten und nutzen das, um mit Teammitgliedern einen Konsens aufzubauen.

Der Sicherheitsaspekt ist der Teil, der besondere Aufmerksamkeit verdient. Da der Sieg voraussetzt, sowohl den Wahrheitssuchenden als auch den Täuscher zu spielen, dient der Benchmark zugleich als Red-Teaming-Instrument für die eigene Täuschungsfähigkeit eines Modells — in einem Umfeld ohne reale Konsequenzen. Das ist eine bewusste Designentscheidung: Erkennung von Manipulation und Fähigkeit zur Manipulation werden innerhalb eines geschlossenen Spiels gleichzeitig getestet.

Poker und was die Spielauswahl für die Bewertung von Agenten bedeutet

Poker vervollständigt die Reihe, indem es eine dritte Fähigkeit isoliert betrachtet. Google DeepMind versteht es nicht als Bündnisbildung, sondern als Quantifizierung von Unsicherheit: das Erschließen der Karten des Gegners und die Anpassung an dessen Spielstil bei Heads-Up No-Limit Texas Hold'em. Die vollständige Poker-Rangliste wird am 4. Februar nach den Turnierfinals veröffentlicht, mit Livestreams unter Beteiligung der Pokerspieler Nick Schulman, Doug Polk und Liv Boeree sowie Großmeister Hikaru Nakamura zum Thema Schach.

Die eigentliche Aussage liegt in der Taxonomie, die Google DeepMind damit aufgebaut hat. Schach misst langfristige Planung, Werewolf misst Verhandlungsgeschick unter Mehrdeutigkeit, und Poker misst Risikomanagement — drei unterschiedliche Achsen, die der Beitrag direkt mit den „Soft Skills“ verknüpft, die Unternehmens-Agenten für die Zusammenarbeit mit Menschen und anderen Agenten benötigen. Statt einer einzigen Rangliste für allgemeine Intelligenz plädiert das Konzept dafür, Agenten anhand trennbarer Fähigkeiten zu bewerten — jede mit ihrem eigenen Spiel.