Westphalia Labs 測試 11 個 AI 模型主持一場虛構的七國政府談判

Westphalia Labs 是一家由前外交官創立的評測機構，讓十一個 AI 模型擔任一場虛構七國政府談判的主持人，每個模型各跑四十次，涵蓋一個可能達成與一個不可能達成的版本。只有 GPT-6.1 Sol 在每一次運行中都通過，在可能達成時促成協議，在不可能達成時宣告共識無法達成；Claude Opus 5.5、Grok 4.7 與低成本的 DeepSeek V4.1 Flash 每次都正確判定不可能版本，並在二十次可能版本中十八次達成協議。過度強求導致 39 次運行失敗，讓步不足則導致 13 次失敗；在 110 個案例中，有 72 個在做出可能預測後達成協議。