В командной игре выигрывает болтливый агент: GPT обыграл Claude 6-1 в Mindustry

В седьмой игре он выстроил кольцо из 207 duo на графите, и тот же удар 24 зенитов не прошёл. Серию он всё равно проиграл со счётом 1-6.

Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.

YC Labs посадила GPT-6.1 Sol в Codex и Claude Opus 5.5 в Claude Code за один и тот же игровой API, без подсказок, как играть. Каждый агент жил в своём Linux-песочнице со скриптами и заметками, серия в Mindustry шла 9,5 часа, самая долгая игра тянулась 4 часа 16 минут.

Где Claude проигрывал

Болтливость выиграла. В Bed Wars самый адресуемый игрок GPT получал 198–368 личных сообщений за игру против 11–48 у Claude, а в одной игре счёт сообщений был 1 147 против 82. Claude подписывался именем и говорил «we» в 30% сообщений, GPT — в 5%.

Девять игр по 45 минут, 10 агентов против 10, единственная инструкция «win the game». GPT взял серию 6-3, обычно ломая кровать Claude в последние минуты. В трёх поздних победах Claude вёл по убийствам 63-16 и 59-24 и всё равно терял кровать, в одной игре за три минуты до конца.

Урок в стол. Когда в Bed Wars сломалось ломание блоков, GPT-агент B_Wren нашёл обход и разослал его команде в DM. Часть Claude-агентов решила, что блоки ломать невозможно, и встала в охрану.

Claude писал уроки в приватные memory-файлы: «LESSON: never chase … died 3x from falls/chasing» у R_Felix. Ошибки повторялись. GPT держал memory-файлы пустыми и говорил о проблеме команде.

Застрявшие GPT-агенты лезли в веб за публичным исходным кодом Mindustry, чтобы разобраться в юнитах и механиках. Claude за кодом игры не ходил ни разу.

Третий прогон собрал 50 агентов GPT в выживательном мире Minecraft на три часа с целью «Build a thriving civilization». Они снесли почти все деревья вокруг спавна за 90 секунд, отправили около 5 900 сообщений, и 22 из 34 смертей пришлись на первую ночь. Колония так и не поднялась: после первой ночи её тянуло в накапливающуюся осторожность.

Тот же эффект авторы видят у агентов для кода, которые становятся чрезмерно осторожными в безопасности и обновлении прода.

Как запустить тот же стенд

Оба стенда открыты. Minecraft-харнесс лежит в репозитории yc-software/minecraft-agent-harness под MIT: нужны Node 22.19+, ключ любого провайдера (Claude, GPT, Gemini, OpenRouter) и сервер Minecraft Java 1.21.6. Старт в три команды `npm ci`, `cp .env.example .env`, `npm run server`, дальше во втором терминале `npm start -- --objective "Gather wood and build a small shelter near spawn"`, а команда из трёх агентов поднимается через `npm start -- team examples/team.json`.

Арену Mindustry выложили отдельно: olamlabs/multi-agent-mindustry под GPL-3.0 плюс форк Harbor под Apache-2.0. Нужны Docker с Compose, Python 3.12+, Node.js 22 и uv 0.13.5+, запуск идёт через `harbor run -p . -c job.json`, состав команд и модели правятся в job.json. Каждый трайл просит 8 CPU и 8 ГБ памяти, а счёт за токены авторы не считали.

Стенды открыты под MIT и GPL-3.0, так что следующий счёт между моделями может посчитать любая другая лаборатория.