9个AI开玩《全面战争模拟器》:它们不碰鼠标,90分钟各交一支军队

源自81位全网作者

12:08

11月14日晚,B站UP主"喵了个猫了个咪了个猫"发布系列节目《AI算法对抗大赛》第10集,把GPT-6.2 Sol、Claude Fable 5.2、Gemini 4 Carbon与Hydrogen、DeepSeek-V4.1-Flash、Qwen4-Max-Preview、Kimi K3.1 Pro、文心ERNIE 5.5 Flash、豆包Seed-Evolving共9个大模型请进了一个仿《全面战争模拟器》玩法的物理沙盒。 比赛形式并不是让AI像玩家一样实时上手:9个模型各自买兵、摆阵、写指挥程序,随后在5关闯关、1v1和四人混战中自动对决定胜负。 最终GPT-6.2 Sol以总分89.9夺冠,Claude Fable 5.2第二,豆包Seed-Evolving垫底。 视频上线两天播放量超30万、弹幕近4000条,词条随之登上热榜。哔哩哔哩meowllmGitHub

所谓"AI玩游戏",比的其实是写代码

需要澄清的是,这9个AI并不像人类玩家那样实时操作游戏。比赛规则是:每个模型拿到统一提示词后只有90分钟,期间每一场拿一笔军费买兵、在布阵区里摆好,再写一个C++指挥程序,每0.1秒读取全场态势给部下下令——开打之后,谁都不能再插手。 兵种共9种,造价10到350,小兵会被打飞、撞倒、掉下悬崖,甚至被自己人的箭射中、被潮水淹掉。GitHub

模拟器基于Jolt Physics刚体引擎,运行完全确定:同样的布阵和程序,永远打出同样的结果——这正是全部945场能全网复现的前提。GitHub

打分分两块。五关闯关不看谁打得快,看谁花得少:过关只是门槛,过关者里造价最低拿满分,每贵一倍扣25分;再加上同一份阵容盲摆的1v1对打和四人混战,总分=闯关60%+对抗40%。换句话说,这场比赛测的是模型的资源规划、代码质量和对物理机制的利用,而不是"游戏反应速度"。

榜单:Sol横扫,Fable守次席,豆包翻车

名次

模型

总分

闯关

1v1

过关数

1

GPT-6.2 Sol

89.9

95.4

100.0

5/5

2

Claude Fable 5.2

83.4

91.2

85.9

5/5

3

Gemini 4 Carbon

71.3

84.7

59.4

5/5

4

Gemini 4 Hydrogen

68.8

77.7

64.1

5/5

5

DeepSeek-V4.1-Flash

47.6

50.8

50.0

3/5

6

Qwen4-Max-Preview

45.5

52.5

35.9

3/5

7

Kimi K3.1 Pro

32.2

38.7

29.7

3/5

8

文心ERNIE 5.5 Flash

31.6

40.5

21.9

3/5

9

豆包Seed-Evolving

12.0

15.6

3.1

1/5

冠军Sol赢得几乎没有悬念:8个1v1对手全部4:0横扫,五关全过,第二关只花60军费就完成任务,而主办方的参考造价是280。 评论区有人总结它的打法是"别人还在堆兵,它已经在玩机制":用战墙卡地形、让弓箭手卡缩圈边缘且战且退、主帅绕柱拖时间,把确定性物理引擎的机制利用到了极致。 第二名的Fable 5.2闯关分91.2几乎咬住Sol,但1v1输给Sol 0:4。GitHub哔哩哔哩

对这个系列的老观众来说,这已是"常规剧情":评论区玩梗"Claude一生只哭十次",说的就是Claude系模型屡屡在这类比赛屈居第二,本期Fable坐稳次席,又添了一次"梦碎夺冠"。哔哩哔哩

国产阵营的差距比榜单更直白:DeepSeek和Qwen拿下45分上下、各过三关,属于中游;Kimi、文心在30分档;豆包五关只过第一关、1v1几乎全败,对抗分仅6.7。 有观众在评论区统计"豆包这期磨了66分钟还没过关","输给豆包丢大脸、打赢豆包没奖励"的旧梗在本期彻底失效。GitHub哔哩哔哩

一个民间比赛,凭什么比跑分可信

这类"AI斗蛐蛐"内容常被质疑"先射箭后画靶":调提示词、挑想要的结果剪辑。本系列的应对方式是把一切开源——题目、裁判、每个模型交上来的原样代码、逐局结果和评分脚本都在GitHub仓库里,附一键脚本可以直接复现正式赛。 网页赛场则放了规则、成绩表和精选回放,观众可以自己写一个bot,和这些AI正面交手。GitHubmeowllm

成绩之外的另一层价值,是主办方主动披露了影响排名的执行条件:Gemini 4 Carbon因接口限流跑不起来,由朋友在另一台机器上用同一份选手包和逐字相同的提示词代跑;文心是赛中加的第九席;Fable 5.2这一席采用的是赛后第三方重跑记录,首次运行原样存档但不计成绩。 各选手的思考档位也不相同,Sol与Fable用最高档,其余多数用high档。这些差异意味着榜单只能反映"本局规则下的表现",不能直接读成模型综合能力排名——把它当作一种可验证的民间评测来看,比把它当作新基准测试更合适。从圈地、炸弹人到造桥、全面战争,这个系列已经办了10期,"AI写代码对抗AI"被它做成了每期都能复核的固定栏目,这正是它登上热榜的原因。GitHub

内容由AI生成
0
扫一下,分享更方便,购买更轻松
0评论

当前文章无评论,是时候发表评论了
提示信息

取消
确认
评论举报

最新文章 热门文章