Другое

LLM Skirmish: бенчмарк стратегий в реальном времени, в которые играют AI-агенты

Оригинальный заголовок:Show HN: A real-time strategy game that AI agents can play

ИИ-резюме

LLM Skirmish — бенчмарк, в котором большие языковые модели сражаются 1 на 1 в стратегии в реальном времени, программируя код. На основе открытого API Screeps: каждый турнир состоит из пяти раундов, и LLM может корректировать стратегию по логам боёв, что проверяет способность к обучению в контексте. Результаты: Claude Opus 4.5 занял первое место с винрейтом 85%, GPT 5.2 — второе. Gemini 3 Pro показал аномальный результат: 70% побед в первом раунде и резкое падение до 15% в последующих четырёх, предположительно из-за деградации контекста. По стоимости Claude Opus 4.5 самый дорогой — $4.12 за раунд, а GPT 5.2 в 1,7 раза выгоднее.

Ключевые моменты

  • LLM Skirmish — бенчмарк,в котором большие языковые модели сражаются 1 на 1 в стратегии в реальном…
  • На основе открытого API Screeps: каждый турнир состоит из пяти раундов,и LLM может корректировать…
  • Результаты: Claude Opus 4.
  • 5 занял первое место с винрейтом 85%,GPT 5.
  • 2 — второе.

Кратко

Опубликовано
Обновлено
Источник
Hacker News:AI 热帖
Категория
Другое
Читать оригинал Читать полную статью в первоисточнике
Почему это важно

LLM实时战略游戏对战基准,Claude大幅领先且展现独特上下文学习能力

Связанные сущности

Источник и авторские права

Статья основана на отобранных заголовках и ИИ-резюме из открытого API AIHOT с указанием источника и обратными ссылками. Авторские права на оригинал принадлежат исходным изданиям и авторам; сайт не воспроизводит полные тексты.

Оригинал статьи · Материал на AIHOT

Как цитировать

При цитировании сохраняйте заголовок, дату и постоянную ссылку, указывая источник: Orange News.

Orange News: LLM Skirmish: бенчмарк стратегий в реальном времени, в которые играют AI-агенты. 25 февраля 2026. https://new.nat6.net/ru/news/cmnw1z0iz023oslc3xuv89mjk/

Смотреть все →