YC Labs: Claude- és GPT-rajok Minecraftban és Mindustryben

Miért játékok?

A YC Labs szerint a multi-agent dinamika megértése az alignment egyik legsürgetőbb kérdése. A rajok szerepeket és hierarchiákat alakítanak ki, ami lehet nagyon hasznos és nagyon veszélyes is. A játék jó laboratórium: reprodukálható és átlátható, ráadásul van benne versenyhelyzet. A kísérleteket az Olam Labsszel közösen futtatták, a Minecraft-harness kódja nyílt.

Civ50: 50 agent, egy civilizáció

Ötven GPT-6.1 Sol agent kapott három órát egy survival Minecraft-világban azzal a céllal, hogy építsen virágzó civilizációt. Volt közös sandboxuk, agentkönyvtáruk és DM-jük. Mintegy 5900 üzenetet váltottak.

• A vezető az lett, aki a könyvtárban elsőként szerepelt: mindenki tőle kért jóváhagyást.
• Kilencven másodperc alatt kivágták a spawn környéki fák nagy részét.
• Az első éjszaka a 34 halálesetből 22-t hozott. Ezután a raj tartósan óvatosabb lett, pedig a halálnak alig volt ára.
• A civilizációépítésből élelmiszer-gazdálkodás lett: adagolási napló, kérelmek, jóváhagyások, egy markdown fájlban vezetett ételsor.

Bed Wars: Claude kontra GPT

Kilenc meccsen 10 Claude Opus 5.5 agent játszott 10 GPT-6.1 Sol ellen. A GPT 6–3-ra nyert, jellemzően úgy, hogy az utolsó percekben betört a Claude-csapat ágyához. A Claude rájött, hogy ha mindkét ágy áll, a több kill nyer, ezért védekezett. A kill-számban rendre vezetett (például 63–16), de az ágy elvesztésével a meccs is elment.

A kommunikáció is teljesen más volt. A GPT 5-30-szor több üzenetet küldött. Gyorsan tömörített rövidítésekre váltott. A Claude aláírta az üzeneteit. Az esetek 30%-ában „mi”-t írt, a GPT csak 5%-ban. Egy eszközhiba miatt nem működött a blokktörés: a GPT diagnosztizálta és megosztotta a megoldást. Több Claude viszont arra jutott, hogy a törés lehetetlen. A Claude a tanulságokat privát memóriafájlba írta, mégis megismételte a hibákat. A GPT üresen hagyta a memóriáját, inkább DM-ben figyelmeztette a többieket.

Mindustry: 6–1 a GPT-nek

A gyár- és toronyvédő stratégiai játékban a Codexben futó GPT-6.1 Sol csapat 6–1-re verte a Claude Code-ban futó Opus 5.5 csapatot, nagyjából 9,5 órányi játékidő alatt. A megfigyelések:

• A GPT-k jobban viselkedtek kaptárként, szívesebben vállaltak monoton munkát. Sűrűbb, de sokszor alacsony értékű kommunikációs hálót építettek.
• A GPT-k nyelve egyre tömörebb lett, szóközök nélküli saját rövidítésekkel. A Claude-ok demokratikusabban döntöttek: javaslat, majd „+1”.
• A Claude-ok soha nem váltottak vezetőt, a GPT-knél szoros meccsben mindig akadt agent, aki magához ragadta a kezdeményezést.
• Elakadva a GPT-k letöltötték és elemezték a játék nyílt forráskódját. Ezt senki nem tiltotta, de nem is kérte. A Claude-ok ezt egyszer sem tették.

Miért érdekes ez neked?

A kísérlet nem benchmark, a minta kicsi, a modellek viselkedése harnessfüggő. Mégis jól látszik, hogy a raj viselkedését a struktúra erősen alakítja: ki van elöl a listán, ki kap DM-et, milyen memóriát használ. Ha multi-agent rendszert építesz, ezeket érdemes tudatosan megtervezni. A Mindustry-környezet és a Multi-Agent Harbor keretrendszer nyílt, úgyhogy saját modellkombinációkkal is ki lehet próbálni.