技术分析
基于《妙探寻凶》构建的多智能体环境标志着AI评估方法的重大进步。传统基准通常测试知识检索或单步推理，而该框架迫使模型在规则明确、信息隐藏、多参与者互动的受限开放世界中运作。成功要求模型维持对游戏状态的动态“心智模型”：玩家持有何种卡牌、哪些假设已被提出与证伪、哪些可能性已被排除。
研究发现，尽管GPT-4o-mini和Gemini-2.5-Flash等模型能解析单轮对话并生成表面合理的发言，却难以维持获胜所需的连贯长程逻辑。主要缺陷包括：
* 状态追踪退化：模型在长对话中经常丢失先前确立的事实，导致逻辑不一致的决策。
* 战略短视：智能体常提出局部连贯但无助于长期制胜策略的建议，例如未能战略性测试特定假设以缩小可能性范围。
* 推理链断裂：整合多条负面信息（如“玩家A没有左轮手枪，玩家B没有图书室”）以推导正面结论的能力依然脆弱。
针对逻辑谜题的微调实验尤其具有启发性。它探究了从结构化形式逻辑问题到混乱交互叙事的迁移学习能力。初步结果表明，此类训练虽可提升谜题类任务的性能，但无法自动赋予模型游戏中稳健的战略推理或无瑕的状态管理能力。这凸显了掌握特定推理形式与培养可灵活部署的通用推理能力之间的差距。
行业影响
本研究提供了一个具象化、可扩展的测试平台，对高风险行业具有直接启示。其核心挑战——随时间整合碎片化证据以得出正确结论——与关键专业任务高度同构：
* 医疗健康：诊断路径涉及顺序检测、排除假设、综合患者病史、化验结果与症状，这一过程与《妙探寻凶》的推理循环高度相似。
* 金融风控：分析师必须拼合市场信号、公司财报与经济指标，以构建连贯的投资论点或评估信用风险。
* 法律合规：审查案例法、证据与证言以构建法律论证或调查违规行为，需要严谨的多步推理。
通过在受控游戏环境中揭示当前AI的局限性，该研究为致力于开发可靠决策辅助系统的开发者设定了明确的性能目标。