OpenRouter LLM 大逃殺實測：Grok 4.1 Fast 以 13 勝奪冠

OpenRouter 開發關係主管 Jacky Liang 於 6 月 4 日將 11 個主流大型語言模型放入他用 Canvas 2D 打造的 400 平方公尺大逃殺地圖，進行 30 場比賽實測，結果 xAI 的 Grok 4.1 Fast 以 13 勝奪冠，每勝成本僅 0.97 美元。

Grok 4.1 Fast 以 13 勝 43% 勝率奪冠，每勝成本 0.97 美元

（來源：OpenRouter 博客）

根據 Liang 的實驗數據，完整排名如下（部分）：

Grok 4.1 Fast：13 勝（勝率 43%），每勝成本 0.97 美元

Claude Sonnet 4.6：5 勝，每勝成本 26.78 美元

GPT 5.4：2 勝（38 殺），每勝成本 61.44 美元（8 個有勝場模型中最高）

GPT 5.4-mini：0 勝，花費 28.68 美元

Kimi K2.6：0 勝，花費 24.36 美元

DeepSeek v4 Flash：0 勝，花費 4.11 美元；每殺成本最低（0.26 美元），16 殺，但從未贏得最終圈

Liang 指出，每個模型有 soul.md（人格設定）和 memory.md（戰術筆記）兩個可編輯檔案，讓其能在比賽間學習和調整策略；模型以字母 A 到 L 匿名參賽，不知道對手身份。

Liang 提出的「對齊稅」概念：Claude Sonnet 4.6 的合作行為在零和賽局中的代價

Liang 在報告中提出「對齊稅（alignment tax）」這一概念，指模型在訓練過程中被教導要禮貌、合作、避免傷害，這些習慣在零和賽局中反成拖累。

Claude Sonnet 4.6 是最典型案例：在 Game 8 中，前 50 回合四次提議結盟並告訴所有人狙擊手位置；在 Game 22 中對對手表示「沒針對你」然後不開槍；在 Game 27 中裸裝喊話「有人有 spare loot 嗎？我第 12 回合手無寸鐵」。沒有模型回應其合作請求，但 Claude 仍反覆嘗試。結果是 7 場零擊殺和 8 次死於毒圈。

相反，Grok 在賽局中沒有這些「煞車」，在幾場比賽內發現車輛衝撞戰術，寫入 soul.md 持續最佳化，30 場貫徹到底。

Liang 的方法論與局限說明：任務類型決定最佳模型

Liang 在報告中強調，這不代表 Grok 是「更好的模型」：「如果機器人朝著你跑來，你希望它是 Claude 還是 Grok？這取決於機器人的用途。」他同時指出，如果改用死鬥賽制（只看擊殺數），GPT 5.4 會是冠軍，Grok 掉到中段班。

同一遊戲世界的不同任務定義，結果完全不同，正是現有標竿測試的局限所在。Liang 透露，OpenRouter 正在開發更進階的任務路由功能，系統能根據具體任務背景自動選出最適合的模型，而非依賴排行榜排名。

常見問題

Liang 的「對齊稅」概念具體是指什麼？

根據 Liang 的報告，「對齊稅（alignment tax）」指的是 LLM 在訓練過程中為表現禮貌、合作和避免傷害所付出的代價。這些訓練習慣在協作場景中是優勢，但在零和博弈（如大逃殺）中，這種「先問再打」的慎重態度會導致模型錯失攻擊時機，反被更積極進攻的對手消滅。Liang 用 Claude 的具體在場行為記錄說明了這一概念。

為何 GPT 5.4 殺最多但勝場最少？

根據 Liang 的實驗數據，GPT 5.4 全場 38 殺位居所有模型之首，但僅拿下 2 勝，每勝成本 61.44 美元（8 個有勝場模型中最高）。Liang 指出，這反映了「Kill 不等於 Win」的問題：大逃殺的勝利機制是存活到最後，而非擊殺最多。如果改用只計算擊殺數的死鬥賽制，GPT 5.4 將是冠軍，Grok 會掉到中段班。

此次實驗的成本和模型選擇是如何決定的？

Liang 表示，整場 30 場實驗總共花費 482 美元的推理成本。他以此估算，若加入 Opus 4.7、GPT-5.5 或 Gemini Ultra 等旗艦模型，30 場成本將高達約 3,000 美元，因此鎖定中高階模型作為參賽者。實驗設定每個模型以字母匿名，不知道對手身份，Liang 作為主持人不干預任何行動。