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
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.
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/