AI 玩星际争霸：Codex Astra 称霸
Brood War Bench
我搭建了一个让 AI 自动对战的 Brood War 环境，结果令人意外。没有任何模型能超越新手水平，但 Codex Astra 表现突出，胜率高达 100%。Grok 模型则因过度思考而几乎无法行动，而 Claude Fable 展现了难得的进取心，试图攀升科技树。有趣的是，AI 常犯新手错误，如单兵作战或把实时战略游戏玩成回合制。这场实验揭示了当前 AI 在复杂动态决策中的局限，也让人对未来的进化充满期待。
即使是最强的模型，也未能超越新手水平，一个会玩光子突袭的新手就能轻松击败它们。
HN 评论区
152- pelagicAustral
与基准测试无关……
我超爱星际争霸。我从一开始就在玩，现在的大部分朋友都是那个年代认识的。我十几岁时认识的人，如今几乎遍布全球各地。那时候我们在网吧玩，连不上网……上网费还另算……
我无比怀念那些日子。
那时大家背景各异，没人是别的什么身份，只是网吧里玩星际的哥们儿……如今我们都四十岁了，我知道有数学老师、历史老师、石油钻井操作员、软件程序员、职业游戏选手、律师等等……哈哈，想想真疯狂……而且我还认识他们，我们还在聊天，这世界真奇妙。
- AntiRush
回到 2010 年，bwapi 的早期阶段，加州大学圣克鲁兹分校的 Expressive Intelligence Studio 举办了一场星际争霸：母巢之战（Brood War）AI 锦标赛。看看当时的方法与此刻或 Deepmind 的 SC2 工作有何不同，挺有意思的。
https://web.archive.org/web/20091124210529/http://eis.ucsc.e...
有一篇来自参赛者的 Ars Technica 当代文章写得很好：
https://arstechnica.com/gaming/2011/01/skynet-meets-the-swar...
作为本科生时，我做过一个使用遗传编程的项目。虽然不太成功，但非常有趣。
https://tomisin.space/archive/starcraft-genetic-programming/
- suby
我不知道该把这话写在哪，但我想把这个想法提出来。我一直想把旧的星际争霸：母巢之战电视转播比赛（很多画质极差，只有 240p）用机器学习转换成完美的《星际争霸：母巢之战重制版》帧画面。我觉得这可行，因为你应该能把地形贴图映射到重制版的对应版本，而游戏本质上就是一系列在特定帧渲染的精灵图（sprites）。即使源画质极差，我也认为可以提取出高质量画面，因为你可以，比如，搭建一个自动化流水线来生成训练数据。从原始图形到重制版的映射，然后再针对 240p -> 瓦片地图（tilemap）位置进行帧相机中心 + 精灵位置/动画索引的映射。
- mcteamster
太棒了。有趣的是，星际争霸在元认知层面影响了我对 AI 的构建思路。
神族（Protoss）：强大但昂贵的尖端编码智能体，你直接微操它们去处理最艰巨的任务。
人族（Terran）：由专职智能体角色组成的灵活团队组合，你可以将定义明确的任务委派给它们。
虫族（Zerg）：在你的应用中部署海量专门的定制智能体群，并针对速度和成本进行进化优化。
了解每个阵营的优劣势，有助于我决定为某项工作选用哪些工具。
- faeyanpiraat
目前有个机器人正在天梯上吊打所有人。我今天刚在 Artosiscasts 的 YouTube 频道上看了它。
- GodelNumbering
我有个朋友创建了 GoBench[1][2]，它利用 KataGo 对手作为 Elo 锚点，在 9×9 围棋上评估大语言模型（LLM）。在那里你能看到真实的能力差异，比如 Astra Max 明显领先于所有其他模型。我认为策略是一个评估 LLM 的普遍有趣领域。
- stymaar
有意思的是，它的基准测试只下探到了 Haiku，却没有任何中文模型（这些模型至少介于 Sonnet 和 Opus 之间，甚至有的已经超越了 Opus）。
- mkotlikov
为什么 Luna Low 这么强？！比 Terra XHigh 还好。甚至不能全归咎于 APM（每分钟操作数），因为 Sol Medium 击败了 Sol Low（两者都击败了 Sol XHigh）。