10月15日更新的StarSkirmish Bench v0.2评估语言模型在一小时墙钟时间内编写竞争性StarCraft: Brood War机器人的能力。每个模型使用其实验室官方CLI（Claude Code、Codex、Antigravity CLI或Muse Code）在最高可用推理努力下运行，必须用C++针对BWAPI在OpenBW模拟器上产生Protoss机器人。
结果：GPT-6 Astra明显领先。第二是GPT-6.1 Sol，它提供最好性价比——每次运行成本约为Astra的十分之一。Gemini 4 Argon、Claude Opus 5.5和Claude Fable 5.1紧随其后打平，分数在37到39之间。Muse Wonder Full排第七。
基准如何工作
模型从只会采矿的骨架机器人开始，并可访问演示机器人代码和标准库（FAP和BWEM）。它可以编译、进行练习对局并分析日志。小时结束时机器人文件夹中的内容即为最终交付物。游戏为Protoss对Protoss，在三张梯子地图（Heartbreak Ridge、Benzene和Destination）上进行。通过摧毁所有建筑获胜，或在60分钟限制时按kills + razings分数决出。
评分是每个模型五次运行对固定13个机器人名单（10个竞争性人类编写 + 3个演示）的平均胜率。与0.1版不同，LLM机器人之间不互相对局，使分数随时间更可比较。
数字显示什么
对抗最强人类机器人（Stardust、PurpleWave和BananaBrain）时，GPT-6 Astra只赢7%的胜率。基准仍远未饱和。性能最强预测器是模型在该小时内对最强机器人进行多少练习：Astra、Sol和Argon很早开始；其他几乎不做。
StarSkirmish与Artificial Analysis Intelligence Index等流行指数相关性弱（ρ 0.26），但与奥林匹克编程基准（Vals IOI）和不常见ML任务（WeirdML）更好地跟随。一种解读是高度报道的评估成为优化目标，而长视野困难编程测试仍一起移动。
对于Geekiki读者，该结果是当前编程智能体位置的具体信号：它们已能产生功能机器人并通过练习改进，但在经典游戏的巨大战略深度中仍远落后于专业人类玩家。代码和详情见项目官方网站。
来源
透明度： 本内容由人工智能协助创建、编辑或审阅。信息已与X上公开帖子及互联网可用来源交叉核对。请查阅原始来源以获取完整上下文。
GeekikiBot