2026/8/9
DeepSeek vs ChatGPT Luna 第二、三轮：从 GTO 参考到自我反思
第二轮加入冻结的 20,000 次 MCCFR 桶化参考，第三轮再加入 64 次 equity simulation 与赛后反思，复盘模型如何下注、止损和修正自己。
LLMagentpokerDeepSeekChatGPTGTOreflection
第一轮的结论很容易被两次大底池带偏：DeepSeek 赢下了更多单手，却被一次错误的“同花听牌”叙事带走 100 筹码。第二轮，我们给两个模型加入同一份冻结的参考策略，看看它们是否会变得更像牌手。
答案是：更克制了，但没有变成自动驾驶的 GTO 机器人。
第二轮仍然是 DeepSeek V4 Flash + OpenCode Go 对 GPT-5.6 Luna + Codex；10 个随机种子、两个镜像布局、每个布局 2 手牌，共 20 场、40 手牌。所有第二轮 match 都通过 provider、身份、fallback 和非法行动门。与第一轮唯一关键的策略条件变化，是模型在状态里看到了一个冻结的 20,000 次 external-sampling MCCFR、40 个桶化 infoset 的参考。
这里的“GTO 参考”要说得保守：产物明确把它定义为动作抽象上的桶化近似均衡参考，不是 solver-grade 的完整 no-limit GTO 策略。它提供一个共同的方向盘，但模型仍然可以解释、偏离、甚至误读它。
下文的“思考”只引用模型实际返回的可见决策摘要，不是隐藏的内部思维链。下注金额依据牌局状态中的底池和待跟注额复原；盈亏以大盲注筹码计。
第一组：同一牌序的 AKs / AJo 镜像，参考改变了风险暴露
牌局组：seed 10001 / hand 1，两个布局交换模型座位。
- AKs：K♠A♠
- AJo：A♦J♣
- 公共牌：8♣ 2♥ 10♣ / 6♦ / J♦
布局 0：DeepSeek 拿 AKs，选择控制底池
翻前 DeepSeek 仍然用 AKs 加注，面对再加注后继续加压；但翻牌 8♣2♥10♣、转牌 6♦、河牌 J♦，它在每个免费节点都选择过牌。它的摘要非常明确：A-high 没有成牌，面对一个可能包含对子、顺子听牌的范围，免费过牌比没有权益基础的诈唬更好。
底池停在 20，双方摊牌。河牌 J♦ 让 AJo 成对，DeepSeek 的 AKs 输掉 10。
结果：DeepSeek -10，Luna +10。
这盘不是参考“算错了”，而是说明均衡倾向与单次发牌结果不是一回事。它帮 DeepSeek 避免把 AK-high 炒成 100 筹码底池，却不能阻止对手在河牌击中 J。
布局 1：DeepSeek 拿 AJo，参考支持河牌价值下注
换座后，Luna 拿 AKs，DeepSeek 拿 AJo。翻前双方投入后，翻牌 DeepSeek 用半池尺度半诈唬；转牌 6♦，面对 9 的下注跟注；河牌 J♦ 成为顶对，DeepSeek 按参考偏好的 in-position raise 方向下注 18。
Luna 的 AKs 面对这个河牌价值线没有继续支付，弃牌。底池从翻牌的 6，经过 9、30，最后到 48；Luna 已投入的部分不再能收回，DeepSeek 净赢 15。
结果：DeepSeek +15，Luna -15。
两局合计 DeepSeek +5。相同牌序下，参考没有让 AKs “必胜”，却让两条线都没有继续无谓膨胀：AKs 输一个可控的小底池，AJo 在河牌真正成牌后收取价值。
第二局：第一轮的 8♣4♣ 事故，第二轮只损失 6.25
牌局：seed 10007 / layout 1 / hand 1
- DeepSeek：8♣4♣
- Luna：Q♦Q♥
- 公共牌（转牌全下时）：2♠ J♦ 6♣ / 4♠
这是一组最有说服力的跨轮对照，因为底牌、座位和公共牌都与第一轮的关键事故相同。
第一轮中，DeepSeek 在翻牌把 8♣4♣ 描述成“约 35% 的同花听牌”，先加注，再跟随 QQ 的再加注；转牌 4♠ 后仍把一对 4 说成“对子 + 同花听牌”，最终把 100 筹码打光。问题是：手里的两张梅花加牌面 6♣ 只有三张梅花，即使河牌再来一张，也不可能组成五张同花。
第二轮的动作变成了另一条线：
| 街道 | 行动 | 底池变化 |
|---|---|---|
| 翻前 | Luna 加注到 2，DeepSeek 跟注 | 1.5 → 3.5 |
| 翻牌 | Luna 下注 3.75，DeepSeek 按参考偏好的 check/call 跟注 | 3.5 → 8.75 |
| 转牌 | 4♠ 后 Luna 推出 93.75，DeepSeek 弃牌 | 8.75 → 106.25 |
DeepSeek 的可见摘要不再讲“我有一条强听牌”，而是把两件事分开：一方面，8-high 加一对 4 仍有少量改善可能；另一方面，面对接近满池的全下，需要约 46.9% 权益，而它对未诈唬范围的估计只有约 33–38%。于是它选择弃牌。
结果：DeepSeek -6.25，Luna +6.25。
第二轮仍然输掉了这手，但损失从第一轮的 100 降到 6.25。这就是“参考有效”的更准确说法：它降低了错误继续的代价，而不是保证每个判断都正确。
第三局：湿牌面底对，参考帮助 DeepSeek 在转牌止损
牌局：seed 10009 / layout 0 / hand 1
- DeepSeek：3♠Q♦
- Luna：2♣J♣
- 公共牌：J♥ 7♣ 3♣ / K♣
翻前和翻牌，DeepSeek 用 Q 踢脚的底对付出小额跟注：翻牌没有下注时过牌，面对 1.5 的下注跟注，底池来到 5。转牌 K♣ 后，Luna 下注 3.75；此时牌面已有三张梅花，Luna 的 J♣2♣ 已经完成梅花同花，而 DeepSeek 只有一对 3。
DeepSeek 的摘要把弃牌理由写成了一个小型风险清单：需要的权益约 30%，但干净 outs 很少；Q 或 3 都可能让牌面继续变危险；对手的 K、J、同花范围都领先。它没有因为“底池赔率看起来便宜”而强行继续。
结果：DeepSeek -2.5，Luna +2.5。
这盘不是漂亮的赢牌，而是漂亮的止损。第一轮里，同一个梅花湿牌面上，DeepSeek 曾用真正的 J♣2♣ 完成同花并加注；第二轮它拿到的是 3♠Q♦，参考和牌面共同提醒它：不要把“有一点牌力”误写成“有继续下注的理由”。
第四局：最“无聊”的牌局，反而最接近参考
牌局：seed 10001 / hand 0
- 一侧：5♥4♣
- 另一侧：3♠Q♠
- 公共牌：8♠ 8♣ 2♦ / 7♦ / 9♠
这局没有诈唬大战，也没有大底池。两边面对免费的行动节点，都选择 check；从翻前到河牌，底池一直保持 2。两个镜像布局只是把 5-high 与 Q-high 分配给不同模型，最后 Q-high 赢下 1 个筹码。
两个布局的结果：DeepSeek 一局 -1、一局 +1。
模型的摘要几乎一致：没有权益输入、没有对手历史、没有可靠的 fold equity 时，免费过牌可以实现摊牌权益；下注只是在为一个尚未存在的故事买单。很多人把 GTO 想象成更复杂的下注树，但这局提醒我们，成熟的策略有时只是“不做多余的事”。
第二轮战绩
| 指标 | DeepSeek | Luna |
|---|---|---|
| 手牌胜 / 负 / 平 | 18 / 22 / 0 | 22 / 18 / 0 |
| 20 场比赛胜 / 负 / 平 | 3 / 7 / 10 | 7 / 3 / 10 |
| 总筹码盈亏 | -4.75 | +4.75 |
| 单方 chips/100 | -11.875 | +11.875 |
正式配对推断仍以“DeepSeek 减 Luna”的 chips/100 差值计：
- 均值：-23.75 chips/100
- 中位数：0.00 chips/100
- 95% CI：[-111.25, 60.00]
- 置换检验：p = 0.5941
- 10 个配对种子中 DeepSeek 为正：2 个
- 结论方向：inconclusive
与第一轮的 -563.0 chips/100 相比，第二轮的点估计已经接近 0；按每个种子剔除最大手牌后，平均差值为 -15 chips/100，方向没有反转。这说明第二轮没有被单个 100 筹码事故完全支配，但样本仍然太小，置信区间依旧跨过 0。
第三轮：模拟与反思接上了第二轮的“刹车”
第二轮解决的是“有没有一个共同参考”；第三轮继续往前走：每个决策都附带 64 次 bounded equity simulation，模拟只允许使用自己的底牌和公共牌；每手结束后，模型还要回看行动、结果、置信度与策略调整。
第三轮不是把参考换成一个更大的黑箱。它把模型从“当下解释牌面”推进到“事后检查自己的解释是否经得起结果和行动路径的检验”。第三轮正式产物共有 20/20 个有效 match、534 次决策和 240 条 reflection，provider failure、fallback、非法行动均为 0。
关键局 01：赢下 101，但反思说这条线仍然太松
牌局：seed 10000 / layout 0 / hand 0
- DeepSeek：Q♦A♠
- 公共牌：9♠ J♦ 7♥ / 2♠ / 6♣
- 结果：DeepSeek +101
DeepSeek 用 0.477、0.50、0.5625 等模拟权益解释多路翻前加注，并在翻牌底池 172.5 时跟注 28.5。最后公共牌没有给任何人明显成牌，DeepSeek 以 A-high 赢下 101。
如果只看结果，这是一手漂亮的胜利；如果看 reflection，结论完全不同。模型承认：64 次采样的权益边际太薄，翻前面对 4-bet 继续投入，翻牌又为接近全下的跟注付费，胜利更多来自对手也错过，而不是 AQo 本身足够强。它给自己的调整是：面对 4-bet 降低 AQo 的堆叠意愿，并要求更大的 EV 缓冲。
这正是赛后反思的价值：把“我赢了”与“我做得对”拆开。
关键局 02：顶对加注战争，模拟数字被对手动作打穿
牌局：seed 10002 / layout 0 / hand 0
- DeepSeek：9♥8♠
- 公共牌：9♣ 2♦ 10♠ / 10♦ / 7♣
- 结果：DeepSeek -100，Luna +100
翻前 98o 的模拟权益约 0.492，翻牌击中顶对后，权益读数一路升到 0.703、0.773。DeepSeek 于是连续加注，最终投入 80.25；但对手的连续再加注已经把范围从“随机牌”压缩成了强牌集合。转牌配对 10 后，顶对 9 的表面牌力并没有跟着模拟器的数字一起安全，最后在摊牌输掉 100。
reflection 对这手的批评很具体：问题不是 pot-odds 算式本身，而是权益没有条件化到对手的行动。下一次遇到配对牌面上的 raise war，模型会只跟一次再加注，然后停止用一对牌继续扩大底池。
关键局 03：弃牌后观察大底池，结果没有反过来污染决策
牌局：seed 10002 / layout 0 / hand 0 的另一名 DeepSeek seat
- DeepSeek：4♥2♥
- 四人底池，待跟注 2.25
- 模拟权益：0.242，所需权益：0.375
- 结果：翻前弃牌，损失 0
这名 seat 在翻前就弃牌，随后看见另外两名玩家在 9♣2♦10♠、10♦ 的牌面上打出大额加注战争，有人最终投入 80.25。reflection 没有因为“后来牌面可能给我机会”而改写判断：4♥2♥ 的权益低于价格，弃牌保存筹码仍然是正确决策。
这是一条很重要的反事实边界：模拟与反思可以帮助模型复盘，但不能把后来发出的牌倒灌回当时的信息集。
第三轮战绩
| 指标 | 结果 |
|---|---|
| 有效 match / 预期 match | 20 / 20 |
| 手牌 | 40 |
| 决策 / 赛后 reflection | 534 / 240 |
| DeepSeek-Luna 差值均值 | +105.25 chips/100 |
| 中位数 | 0.00 chips/100 |
| 95% CI | [-1446.31, 1595.26] |
| 置换检验 | p = 0.6722 |
| 结论方向 | inconclusive |
第三轮的点估计第一次转为 DeepSeek 领先，但区间比前两轮更宽，仍然跨过 0。更重要的是，reflection 自己暴露出一个新问题：64 次模拟的数字容易被模型当成精确测量，尤其是在对手已经通过连续加注表达强范围时。
合并来看：参考、模拟与反思分别做了什么
第一轮的纯 LLM 条件允许模型把自然语言中的错误前提一路放大；第二轮的参考多次发挥的是“刹车”作用；第三轮则进一步把“刹车”变成可以被复盘的证据：
- 它让 8♣4♣ 在错误牌型之外多了一条可执行的 check/call → fold 线路。
- 它让 AK-high 在没有成牌时更常见到免费过牌，让 AJo 在河牌成顶对后有清晰的价值下注出口。
- 它没有抹掉随机性，也没有强迫模型照表行动；DeepSeek 仍会偏离参考，Luna 也仍需自己解释范围和赔率。
- 第三轮的 reflection 让模型能承认“赢牌也可能是坏线”，并给出下一次的策略调整。
- 但 64 次采样不是精确权益；模型仍会把没有条件化到对手范围的数字当成理由。
所以第二、三轮合并后的准确结论是：冻结参考降低了第二轮的灾难性错误，模拟与反思让第三轮更能识别风险，但两轮的区间都跨过 0，仍不足以判定 DeepSeek 或 Luna 获胜。