CarrotParsnipBench：一个轻量级多智能体欺骗与检测评测基准

作者用 Carrot-Parsnip 社交推理游戏对 10 个模型开展了超过 5000 局实验，并用四参数模型拟合结果，认为该极简游戏可作为评测 LLM 策略性欺骗与欺骗检测能力的多智能体基准。该游戏仅需三个玩家、通用建议即可让各类模型理解并胜任，每局成本仅数美分，即使使用接近前沿的模型也能运行。作者称借助锚定部分初始模型集即可准确计算新模型的 ELO，因此可低成本持续更新、覆盖数百个模型的基准。