“血量只有快没有的时候才是有用的资源”，AI大人。

上个星期，加拿大Vector研究所与荷兰Radboud大学的研究人员在论文预印本平台arXiv上发布了一项最新研究，论文题为《SpireBench：用〈杀戮尖塔〉评估智能体模型的长期战略能力》。

顾名思义，这项被命名为"SpireBench"的研究，目的在于通过知名肉鸽卡牌构筑游戏《杀戮尖塔》，来测试当前的大语言模型能否在频繁应对战斗的同时做出长线规划——选择路线、管理资源、构筑牌组。AI们将一路爬塔，最终尝试实现通关这个终极目标。

这并非第一次"让AI打《杀戮尖塔》"的实验。不过此前的相关测试都有明显的缩水：有的只用了8张牌和5个孤立战斗场景，测的是微操而非完整对局；有的虽然驱动了真实游戏，但难度选在最低的A0，模型只负责战斗出牌和选卡牌奖励，不涉及路线规划、商店购物、营火决策等其他抉择。

所以这次使用20个大模型测试游戏顶级难度A20的“SpireBench”，算是头一次使用多模型，挑战《杀戮尖塔》完整原作最高难度的系统性研究。

根据实验结果，20个大模型统一使用铁甲战士角色，各自开到最高推理档位，在A20难度下挑战了相同的10个全新种子。拢共200局游戏下来，最终只有GPT-5.6 Sol作为独苗，通关了一次心脏。

通关率如此惨淡，研究发现一大重要因素在于：AI实在是太稳健了。

1

在解释AI为什么输之前，需要先解释一下《杀戮尖塔》对于AI难在哪里。

众所周知，在一众知名肉鸽游戏中，《杀戮尖塔》对玩家资源管理水平的考验是最严格的，或许没有之一。玩家需要精准把控自身的血量，进而以此获取卡牌、药水、遗物，构筑相应的BD套路，应对不同的挑战。尤其在高难度下，浪费一次微小的资源几乎就意味着死亡。

这次研究进一步把游戏拆分为五层时间维度：每一回合，AI要思考出哪些牌，什么顺序，打哪个敌人；每场战斗，AI要思考怎样用血量和药水换取胜利；每一阶段，AI要思考走哪条路线，承担多大风险；每整局，AI要思考自身的成长速度能否跟上游戏难度的增长；多局之间，AI要思考有什么值得记住，帮助自己更好地通关。

其中难点在于，游戏没有所谓的标准答案。有经验的玩家想必深有体会，前期拿的战力卡能救一时之急，后期却可能阻碍卡组启动；打精英怪可能暴毙，同时也可能奖励强力的遗物或卡牌；不同的敌人类型，考验卡组的不同能力……《杀戮尖塔》把大大小小的挑战浓缩在一局游戏中，战斗中的操作、构筑牌组的规划、选路线和管理资源的宏观战略，层层嵌套，牵一发而动全身。

当下的大模型用来执行即时任务往往表现得不错，但其能不能在几百个决策点上保持连贯的战略判断？能不能权衡眼前小亏和长远大利？能不能从失败中学到东西？

实验结果显示，表现最好的四个模型分别是Claude Fable 5.1（平均通过1.6个阶段）、GPT-6 Astra（1.5个阶段）、Claude Opus 5（1.3个阶段）和GPT-5.6 Sol（1.1个阶段），这些最聪明的AI超越了人类玩家的平均水平，但和真正的高手相比显然还存在不小的距离。

所以《杀戮尖塔》给出的答案是：AI的长期战略能力，暂时还得练。

2

问题出在哪里？最显著的就是AI太过稳健，以至于到了“怂”的地步。

实验选取了4位高手游戏主播的逐局数据作为对比，发现AI在第一幕平均只打约0.9—1.4场精英战，主播约为2.6场；AI在57%—75%的营火选择回血，高手约为9%。即使抵达营火时血量仍有七成以上，模型也会在31%的情况下选择休息——相同情况下所有主播均选择升级卡牌。

这就导致，AI往往带着满血、却较弱的卡组进入BOSS房。例如上述“最强”的四个模型，进入第一阶段BOSS战时，血量往往处于上限的90%左右，而主播这个时候大多只剩半血，同时却拥有更强力的遗物和升级过的卡牌，损失的血量转化成了后续战斗的优势。

以人类玩家数据为例，采取保守策略（少打精英、多休息）的玩家在第二阶段只有15%的通关率，而积极打精英的玩家则有38%。这一定程度解释了AI通关率低的原因。

不仅如此，AI还有一个"攒牌"的坏习惯。战斗胜利后的卡牌奖励，人类玩家考虑到最终的卡组构建，会跳过23%（因为并非每张牌都值得拿），而AI只跳过3%-13%，导致牌组越来越臃肿。数据显示，第一阶段BOSS战时，AI的牌组平均有19.3张牌，人类只有16.8张——而在《杀戮尖塔》中，一副臃肿的牌组通常意味着你想要的关键牌更难抽到。

学习组建小卡组可能是每个《杀戮尖塔》玩家入门的第一课

这些问题综合到一起，你可能会觉得AI太笨了，压根玩不来《杀戮尖塔》，但这么说其实也不准确，事实上，如果仅以第一阶段为评判标准，AI已经达到了顶尖高手的水准。

仅看第一阶段，高手主播的通关率大概在85%-92%之间，而表现最好的三个模型，在第一阶段的通关率也达到了90%，两者几乎持平。不过随着游戏的进行，第二阶段大模型的通关率降到40%-50%，主播还有65%-78%。第三阶段大模型通关率进一步跌至0%-20%，主播仍维持56%-71%。到了决定胜负的第四阶段（心脏），大模型几乎“无人生还”，主播们仍是差不多的46%-65%。

换句话说，熟悉游戏、从一开始就在规划全局战略的游戏玩家，往往会拥有一个十分平滑的胜率曲线，能够同时兼顾“挑战”和“发育”。而AI的通关率，则随游戏难度的阶段性提升呈断崖式骤降，由于太过重视血量，反而失去了冒险变强的可能。

在这一维度上，所谓的强、弱模型之分，更多体现在具体的每场战斗中：最强的四个模型在普通战斗中每场只掉8.2点血，最弱的那一档掉14点；强模型每点能量平均能打出7.5点伤害，弱模型只有5.8点。强模型从来不会“错斩”，弱模型则有8.7%的概率算漏斩杀。

所以说，即便能够在每场战斗中算无遗策，这些最聪明的AI似乎仍然很难理解什么是“大局观”，什么时候需要“战未来”。

与AI相反，不论《杀戮尖塔》1代2代，玩家大多对“战未来”喜闻乐见

把战线进一步拉长来看，实验还设计了一个"跨局学习"机制。每局结束后，AI可以把自己认为重要的经验写进一个"记忆库"，下一局开始时会读到这些记忆。10局游戏按顺序组成一个"队列"，看AI是否能越打越好。

结果研究者人工审核了所有模型的最终记忆库，发现其中17%的记忆存在事实性错误，更糟糕的是，全部记录在案的记忆中，建议"谨慎行事"的有119条，建议"冒险一搏"的只有17条——AI把自己本来就过度保守的倾向写进了记忆里，然后被下一局的自己读到，最后形成了一个"越来越胆小"的循环。

结语

从这次实验来看，当下最强的几个模型已经能处理不少复杂的局部战术，但如何把眼前优势转化为整局胜势，仍是另一道难题。

这也是研究者选择《杀戮尖塔》的意义。投资决策、项目管理、科学研究这样更复杂、更充满不确定性的长线任务，往往也需要提前投入资源，等待很久以后才能兑现收益。一场游戏或许不足以判定AI能否胜任这些工作，但它至少提供了一个可以反复观察的窗口：当回报来得更晚、失败原因更难追溯时，大模型会怎样决策，怎样规划。

本次测试其实有不少局限。比如只测试了一个角色、10个种子的样本量不算大、人类玩家也没有在同一批种子上做对照等等。

最贵的Claude Fable 5.1一局平均花掉61美元，实验起来也确实挺吃经济

但这些局限不妨碍一个核心结论：在需要跨越长时间线做战略权衡的任务上，AI的能力仍有相当大的提升空间。而且由于当下最强模型距离稳定通关还差得远，所以可以预见，《杀戮尖塔》在未来很长一段时间内或许还将继续成为测试的标杆。

因此，各位玩家今后爬塔遭遇失败时也不必急着生气，你已经与需要花60美元打一局的最强AI旗鼓相当、甚至强上不少了。