我们来玩个游戏吗？语言模型用于开放式兵棋

一段由语言模型生成的对话记录，读起来像一条完整的行为信号——但写下这段记录的模型，可能同时在做好几件不同的事：替玩家挑选行动，或者判定行动带来了什么后果。这份资料要追问的正是这个区分。作者们指出，这一区分在 open-ended wargames 里尤其要紧，因为这类模拟恰恰看重模型处理非常规行动和模糊后果的能力。换句话说，如果分不清模型在模拟中扮演哪个角色，就很难判断从 transcript 里读出来的东西究竟意味着什么。

覆盖范围是一项 scoping review：223 篇去重后的 AI-in-wargames 与 strategic-simulation 论文，检索截至 2026 年 5 月 1 日。作者们没有停在主题归类上，而是给每项模拟标注一个 model-control profile——语言模型是否对玩家行动、对 adjudication，或对两者同时拥有开放式控制。这个标注方式把“用了语言模型”这类笼统说法，拆成了可以互相比对的维度。

先说这个框架本身的价值。把控制权拆成行动与裁决两侧，等于承认模拟中的行为不是单一来源：一部分由模型生成，另一部分由模型评判，两者的可靠性与失效方式并不相同。对做战略模拟的人来说，这意味着读到一段看似连贯的对局记录时，需要先问一句：哪一步是模型决定的，哪一步是模型认定的。材料没有展开各控制组合的细分比例，但这种提问方式本身已经可以迁移到别的模拟场景。

关键数字出现在分工的分布上：223 项研究中，只有 20 项（约 9%）让语言模型同时承担行动与裁决两个角色。也就是说，绝大多数被纳入综述的模拟里，模型只负责其中一侧。作者们强调这一差别的重要性，理由正在于开放式兵棋需要模型应对不寻常的行动和含糊的后果，而这恰好是“只做一半”的设置最难覆盖的部分。九个百分点这个量级说明，双重角色的做法在现有文献中仍是少数。

这些结论对实践的影响可以从两个方向看。做模拟的人如果希望 transcript 反映的是玩家行为，就得先弄清楚裁决环节是否也交给了同一个模型，否则读到的可能只是模型自己的判定偏好。反过来，评估这类研究的人也需要一把尺子，用来判断某项工作究竟在测模型的选择能力、判定能力，还是两者纠缠在一起的效果。这是解读：model-control profile 与其说是分类标签，不如说是一个提醒——先把角色分清，再谈行为结论。

对研究 LLM 社会模拟、战略推演和多智能体对局的人，这份资料提供的不是某个模型的性能结论，而是一套读文献时用得上的提问顺序：先看模型控制了什么，再看它表现如何。需要说明的边界同样清楚：这是一项 scoping review，做的是范围映射而非效果比较，材料本身没有给出各控制组合的完整分布，也没有评估双重角色设置是否真的更好；被引 1 次也说明它还处在较早的传播阶段。带着这些限度去读，那 9% 更像是一个起点，而不是结论。