gpt-oss:20b

实验在船员 prompt 中加入投票网络的直觉时，直觉行写着模型大约 70% 的情况下能选对真正的内鬼，但该 70% 是作者写 prompt 时的粗略估计，并非实际测量。

作者早前在《Mafia》游戏中给语言模型排名识别骗子的基准测试发现，第一天的指控完全靠运气。

在需要与特定环境统计特征精确对齐的任务中，通用大模型可能仍不及一个在领域内大量训练的专用小模型。

开发者 Seth Wheeler 在《Among Us》模拟器中用开源权重模型 gpt-oss:20b 替代原本由小型循环网络驱动的会议投票系统，结果在六种配置中，大模型从未让船员表现得更好。

gpt-oss:20b 是 OpenAI 于 2025 年发布的开源权重推理模型，采用 MoE 架构，总参数量约 210 亿，激活参数约 36 亿，支持可调节的推理强度。

在八人两内鬼、使用第二联赛机器人的配置中，训练网络的船员胜率为 52.0%，每局平均驱逐 0.99 个内鬼；而 gpt-oss 在轮流问答格式下 16 局仅赢 2 局（12.5%），每局驱逐 0.06 个内鬼，错误驱逐 0.94 个无辜船员。

在八人配置中，gpt-oss 与训练网络的胜率差距单侧 Fisher 精确检验 p = 0.0017，远超随机波动。

在八人配置中加入训练网络直觉并使用轮流问答格式后，gpt-oss 船员 16 局赢了 8 局，与网络基准几乎无法区分（p = 0.54）。

在十五人三内鬼、第六联赛的严格可比实验中，训练网络 300 局船员胜率 93.3%，gpt-oss 在对话+直觉格式下 20 局 16 胜（80%），单侧 Fisher 精确检验 p = 0.052。

第六联赛十五人局中，使用 gpt-oss 的会议平均耗时 524 秒挂钟时间，几乎全部时间花在约 4 次会议的轮流发言上，每个玩家每轮调用一次模型；训练网络的投票不需要模型调用。

在六种配置中，语言模型仅在八人无直觉配置中明显比网络差，在有直觉的五种中一次持平、四次落后，但每次差距单独来看都太小或有混杂因素，无法下定论；没有任何一种配置中它表现得更好。

作者认为，训练网络在数千局同一模拟器对局中反复校准，其怀疑分数与谁最终被证明是内鬼高度对齐；而语言模型带来的通用知识在本环境中没有优势，因为内鬼的发言没有明显异常，唯一识破方法是核对声明与谁能看到那个房间，但没有结果表明模型能可靠完成该核对。

120B相对于20B的唯一真正优势是更可靠的编排，但即使是这一点也没有解决它本应解决的更深层可靠性问题。

将协调者降级到gpt-oss:20b（约14GB）后，留下约60GB空闲内存，足以同时进行协调和图像生成，无交换也无守护拒绝。