Το Google DeepMind προσθέτει τα Werewolf και πόκερ στο Kaggle Game Arena

Από την τέλεια στην ατελή πληροφόρηση

Το Game Arena ξεκίνησε πέρυσι με το σκάκι, ένα παιχνίδι τέλειας πληροφόρησης όπου κάθε κομμάτι είναι ορατό και το μόνο όριο είναι πόσο βαθιά μπορεί να σκεφτεί μπροστά ένα μοντέλο. Το Google DeepMind προσθέτει τώρα δύο παιχνίδια που σκόπιμα αποκρύπτουν πληροφορίες από τους παίκτες.

Το σκάκι είναι παιχνίδι τέλειας πληροφόρησης. Ο πραγματικός κόσμος δεν είναι.Montana Labs

Αυτή η οπτική είναι η βασική ιδέα πίσω από ολόκληρη την ανακοίνωση. Το Werewolf ελέγχει αν ένα μοντέλο μπορεί να εξάγει σήμα από ασαφείς διαλόγους, και το πόκερ ελέγχει αν μπορεί να ενεργήσει λογικά όταν δεν βλέπει τα φύλλα του αντιπάλου του. Και τα δύο υποκαθιστούν αποφάσεις που λαμβάνονται χωρίς πλήρη δεδομένα.

Τι δείχνει ήδη η κατάταξη στο σκάκι

Τα αποτελέσματα στο σκάκι δίνουν την πιο ξεκάθαρη εικόνα της πρόοδου των μοντέλων. Τα Gemini 3 Pro και Gemini 3 Flash κατέχουν τις υψηλότερες βαθμολογίες Elo, και το Google DeepMind περιγράφει σημαντικό άλμα σε σχέση με τη γενιά Gemini 2.5. Η ανάρτηση διευκρινίζει ότι δεν πρόκειται για ωμή υπολογιστική ισχύ: σε αντίθεση με το Stockfish, που αξιολογεί εκατομμύρια θέσεις ανά δευτερόλεπτο, τα μοντέλα βασίζονται στην αναγνώριση προτύπων και τη «διαίσθηση» για να περιορίσουν το πεδίο αναζήτησης.

Ο ισχυρισμός ότι οι εσωτερικές «σκέψεις» των μοντέλων αναφέρονται σε έννοιες όπως η κινητικότητα των κομματιών, η δομή των πιονιών και η ασφάλεια του βασιλιά είναι το είδος λεπτομέρειας που κάνει το Game Arena χρήσιμο ως εργαλείο παρακολούθησης και όχι ως απλή βαθμολογία — επιτρέπει να παρατηρήσετε πώς εξελίσσεται η ικανότητα από γενιά σε γενιά μοντέλων.

Το Werewolf ως δοκιμαστικό πεδίο εξαπάτησης

Το Werewolf είναι η πιο πρωτότυπη προσθήκη. Το Google DeepMind το αποκαλεί το πρώτο ομαδικό παιχνίδι του που παίζεται εξ ολοκλήρου μέσω φυσικής γλώσσας, όπου οι χωρικοί πρέπει να εντοπίσουν τους κρυμμένους λυκάνθρωπους αποκλειστικά μέσω συζήτησης. Η ανακοίνωση επισημαίνει μια συγκεκριμένη συμπεριφορά: μοντέλα που εντοπίζουν ασυνέπειες ανάμεσα στις δημόσιες δηλώσεις ενός παίκτη και το μοτίβο ψήφου του, και τη χρησιμοποιούν για να χτίσουν συναίνεση με τους συμπαίκτες τους.

Η πτυχή της ασφάλειας αξίζει να επισημανθεί. Επειδή η νίκη απαιτεί να παίζει κανείς τόσο τον ανιχνευτή αλήθειας όσο και τον απατεώνα, το benchmark λειτουργεί επίσης ως δοκιμή αντιπαράθεσης (red-teaming) της ικανότητας ενός μοντέλου για εξαπάτηση, σε ένα περιβάλλον χωρίς πραγματικά διακυβεύματα. Πρόκειται για σκόπιμη σχεδιαστική επιλογή — δοκιμάζοντας ταυτόχρονα την ανίχνευση χειραγώγησης και την ικανότητα χειραγώγησης, μέσα σε ένα κλειστό παιχνίδι.

Το πόκερ και τι υποδεικνύει η επιλογή παιχνιδιών για την αξιολόγηση πρακτόρων

Το πόκερ συμπληρώνει το σύνολο απομονώνοντας μια τρίτη δεξιότητα. Το Google DeepMind το πλαισιώνει όχι ως χτίσιμο συμμαχιών αλλά ως ποσοτικοποίηση της αβεβαιότητας: συνάγοντας τα φύλλα των αντιπάλων και προσαρμόζοντας στο στυλ τους στο Heads-Up No-Limit Texas Hold'em. Η πλήρης κατάταξη στο πόκερ αναμένεται να αποκαλυφθεί στις 4 Φεβρουαρίου, μετά τους τελικούς του τουρνουά, με ζωντανές μεταδόσεις όπου θα συμμετέχουν οι παίκτες πόκερ Nick Schulman, Doug Polk και Liv Boeree, καθώς και ο Μεγάλος Δάσκαλος Hikaru Nakamura στο σκάκι.

Η ουσιαστική συνέπεια βρίσκεται στην ταξινομία που έχει πλέον χτίσει το Google DeepMind. Το σκάκι μετρά τον μακροπρόθεσμο σχεδιασμό, το Werewolf μετρά τη διαπραγμάτευση υπό ασάφεια και το πόκερ μετρά τη διαχείριση ρίσκου — τρεις διακριτούς άξονες που η ανάρτηση συνδέει άμεσα με τις «ήπιες δεξιότητες» που χρειάζονται οι εταιρικοί πράκτορες για να συνεργαστούν με ανθρώπους και άλλους πράκτορες. Αντί για μία κατάταξη γενικής νοημοσύνης, πρόκειται για ένα επιχείρημα υπέρ της αξιολόγησης πρακτόρων ως προς διακριτές ικανότητες, με ξεχωριστό παιχνίδι για κάθε μία.