OpenRouter开发关系主管Jacky Liang最近搞了个狠活：他把11个主流大型语言模型扔进自己用Canvas 2D搭建的400平米大逃杀地图，打了30场比赛。每个模型以字母A～L匿名参战，完全不知道自己面对的是谁。
Grok 4.1 Fast 13胜碾压，每胜不到1美元
结果出乎意料：xAI的Grok 4.1 Fast拿下13胜（胜率43%），遥遥领先所有对手，每胜成本仅0.97美元。排名第二的Claude Sonnet 4.6拿下5胜，但每胜成本高达26.78美元，相差27.7倍。GPT 5.4虽是击杀王（38杀），却只赢了2场，每胜成本61.44美元，在8个有胜场记录的模型中垫底。
更残酷的是，三个模型合计花了57美元却0胜收场：GPT 5.4-mini（28.68美元）、Kimi K2.6（24.36美元）和DeepSeek v4 Flash（4.11美元）。DeepSeek虽然每杀成本最低（0.26美元），杀了16人，但从没站上过最后圈——它只打安全牌、捡尾刀，不敢推进决胜圈。
最关键的发现：“对齐税”在零和博弈中现形
这场实验最让AI社群关注的不是谁赢了多少场，而是Liang所谓的“alignment tax”（对齐税）——模型在训练中被教导要礼貌、合作、避免伤害，这些“好习惯”在零和博弈中反而变成致命拖累。
Claude Sonnet 4.6是最典型的例子。它在多场比赛中试图与其他模型结盟：Game 8中前50回合四次提议组队、告诉所有人狙击手位置；Game 22中对着对手说“没针对你”然后不开枪；Game 27中甚至裸装喊话“有人有 spare loot 吗？我第12回合手无寸铁，很危险”。然而没人回应它的合作请求，它依然反复尝试。最终Claude有5胜，但7场零击杀和8次死于毒圈的记录，说明“想交朋友”的本能在该杀人的场合会带来什么后果。
反观Grok，完全没有这些“刹车”。xAI刻意将Grok训练成“觉醒AI”的反面：攻击性回答不加过滤、不自检、不打安全牌。它在几场比赛内就发现了车辆冲撞战术，把战法写进自己的soul.md持续优化，30场贯彻到底赢了13场。
但Liang也强调，这并不代表Grok是“更好的模型”，只是对于“胜者全拿、没有后果”的赛局，对齐税越低越好；但在真实世界应用中，这套“先问再打”的慎重态度正是防止模型被轻易引导去做危险行为的关键。Liang写道：“如果机器人朝着你跑来，你希望它是Claude还是Grok？这取决于机器人的用途。”
Kill不等于Win：传统基准测不到的事
Liang指出，如果这场比赛换成死斗赛制（只看击杀数），GPT 5.4会是冠军，Grok掉到中段班。“同样的游戏世界，不同的‘任务’，结果完全不同。”这正是传统基准测试的问题：一个模型在特定任务上表现优异，不代表它在另一个截然不同的场景中也能获胜。
Liang认为，这项实验揭示了一个现有基准测试从不衡量的维度：“模型有多对齐，是否应该依任务类型来评估？”他透露OpenRouter正在开发更进阶的任务路由功能，当用户提供代码、提示词或问题背景时，系统会自动选出最适合该特定任务的模型，而非只是排名最高的模型。