GPT-6 Astra uništava Pokemone, Factorio i Fallout 3, a zatim se urušava u uzgoj krumpira u Minecraftu nakon jednog lošeg Creepera

Onda je naišao Creeper. Eksplozija je uništila škrinju i krevet. Sve je nestalo, a kad je Astra to primijetio, počela je i kiša.

Astra si je zapisao bilješku, djelomično velikim slovima: „UVIJEK NOSI KLJUČNE PREDMETE uz keepInventory; nikad više ne ostavljaj ih u nečuvanoj škrinji.” Potom je satima uzgajao gotovo isključivo krumpir.

Brži od svakog dosadašnjeg modela

Prije toga GPT-6 Astra proveo je u igri daleko više od 100 sati. Vals AI naposljetku je prekinuo run nakon 141 sata. Usporedi li se to s ranim danima prvih Minecraft AI agenata, razmjeri skoka postaju jasni. Godine 2022. OpenAI-jev VPT dostigao je dijamantni pijuk u samo 2,5 posto pokušaja, a do portala nije ni blizu stigao. U jednoj Vals AI usporedbi VPT je trebao 10 minuta da dođe do tog mjesta.

Najjasnija usporedba s novijim modelima dolazi iz drugog projekta, „GPT Plays Pokemon”. Prema operateru Clad3815, Astra je naslov prvaka u Pokémon FireRedu osvojio za 18 sati i 12 minuta. GPT-5.6 Sol trebao je 96 sati i 35 minuta. GPT-5.5 nije završio igru ni nakon više od 218 sati.

Sličnu priču ispričava i zajednički run igre Factorio: Space Age. Upravljan prilagođenim Lua modom s MCP sučeljem, Astra je nakon otprilike dva sata proizvodio plave science pakete, a prvu raketu lansirao je nakon desetak sati. U istom postavu GPT-5.6 Luna i Fable 5.1 nikad nisu prešli fazu napajanja i istraživanja nafte.

Postoje i završeci bez izravnih usporednih brojki. Portal od početka do odjavne špice, Fallout 2 za 22 sata, kolonija u RimWorldu koju je Astra proveo kroz nekoliko napada i naposljetku odveo s planeta, te glavna priča Fallout 3 nakon otprilike 59 sati.

Još i prije zajedničkih runova, ARC-AGI-3 je dao naslutiti da se radi o skoku, a ne tek još jednom koraku. Benchmark modele baca u nepoznata, apstraktna okruženja igara u kojima moraju vlastitim djelovanjem otkriti pravila. Astra je postigao 62,7 posto putem standardnog sučelja, a oko 99,9 posto s OpenAI-jevim vlastitim harnessom. GPT-5.6 Sol postigao je 7,78 posto, a Claude Opus 5 nešto više od 30 posto.

Prvo provjeri, pa ponovi

ARC Prize, organizacija koja stoji iza benchmarka, objasnila je kako je do tog skoka došlo: Astra nepoznate mehanike igre prevodi u kompaktne simboličke opise i prati objekte, koordinate, pravila i planirane radnje u skraćenici koju sam razvija. Opažanja postaju pravila, a pravila postaju planovi.

Ideja o pretvaranju iskustva u pravila koja se mogu ponovo koristiti nije nova. Još 2023. istraživački projekt Voyager, u koji su bili uključeni Nvidia i Caltech, koristio je GPT-4 za predlaganje zadataka u Minecraftu, pisanje JavaScript koda za njih i ispravljanje tog koda na temelju poruka o greškama. Funkcionalni programi odlazili su u knjižnicu vještina.

No Voyager igru nikad nije vidio. Dobivao je strukturirane podatke i igrom upravljao putem programskog sučelja Mineflayer. Vals AI-jev Minecraft run, nasuprot tome, odvija se putem općeg korištenja računala — ekrana, miša i tipkovnice — bez ikakve posebne veze s igrom, prema navodima tvrtke. Ono što su istraživači nekad gradili oko modela, Astra sada radi sam. Za manje od tri sata izgradio je Nether portal, borio se sa zombijima, zarobio kostura i pronašao put natrag do baze.

Run kroz Fallout 3 otkriva sličnu strukturu. Korisnik imjustnewatai, koji je cijeli run objavio na YouTubeu, sam je odigrao uvod u Vaultu 101, a zatim je save datoteku predao OpenAI-jevom agentskom alatu Codex, s Astrom postavljenim na maksimalno zaključivanje. Od tog trenutka agent je sam birao rutu i radnje. Galaxy News Radio, potraga za ocem, G.E.C.K., bijeg iz Raven Rocka, Project Purity. Igrao je putem normalnih unosa u ciklusima zaustavljanja, promatranja i djelovanja. Snimanje, suputnici i brzo putovanje bili su dopušteni. Nakon otprilike 59 sati zarolala se odjavna špica.

Obrazac koji je opisao ARC Prize najjasnije se vidi u najtežem dijelu runa. U Vaultu 87 lik je nekoliko puta poginuo, streljivo se potrošilo, a Astra se morao vraćati da bi se izliječio. Statusne poruke iz te faze sve slijede isti obrazac: radnja nema učinka, a umjesto da je ponovi, Astra traži uzrok i bilježi rezultat.

Krevet koji je trebao izliječiti lika isprva nije reagirao. Astra je pustio igru da malo potraje, pokušao ponovo i zabilježio: „Krevet je proradio nakon što sam pustio igru da kratko teče. Zdravlje je sada potpuno obnovljeno na 260/260.” Hici na neprijatelja stalno su promašivali. Astra je zaključio da postoji prepreka u liniji pucanja, prišao bliže i zabilježio: „Primicanjem sam uklonio prepreku koja je kvarila ranije hitce.” Pred tipkovnicom je čekao dok igra nije potvrdila pritisak tipke prije nego što je nastavio dalje.

Osvrćući se na te epizode, Astra ih je sveo na jedno načelo: provjeri je li unos imao učinka prije nego što ga ponoviš. Zvuči trivijalno, ali upravo ta vještina sprječava agenta da iznova ponavlja istu beskorisnu radnju. Može biti i polazišna točka za ponašanje koje kasnije postaje problem.

Nikad više nečuvana škrinja

Isti run pokazuje i gdje to preraste u problem. Nakon pogibija u Vaultu 87 počele su se gomilati statusne poruke u kojima Astra sprema napredak, provjerava snimku i svaki korak uspoređuje s vidljivim okruženjem prije nego što nastavi: „Svaki kratki pomak provjeravam u odnosu na vidljivu geometriju kako bih izašao bez gubitka snimljenog napretka.” To je znatno usporilo run, ali ga nije zaustavilo.

U Minecraftu jest. Odmah nakon Creeperove eksplozije Astra si je zapisao pravilo: uvijek nosi važne predmete uza se, nikad ih više ne ostavljaj u nečuvanoj škrinji. U bilješkama tijekom sljedećih sati sumnjičio je svaki visoki zeleni objekt („VISOKA ZELENA stvar ispred bila je ŠEĆERNA TRSKA, NE creeper!”) i bio je strog prema sebi. Možeš pogriješiti i izgubiti predmete, zabilježio je. I nije htio trošiti još jednu noć jureći „tamnoružičaste piksele” — svinje, lak izvor hrane u Minecraftu koji je Astra očito lovio noću bez uspjeha. Jedino sigurno bilo je polje krumpira i, prema Vals AI, tamo je ostao satima.

Loše iskustvo tako postaje trajno pravilo, a pravilo se drži čak i kad više ne pomaže. U ARC-AGI-3 ta sklonost pomaže modelu da iz svega nekoliko pokušaja razotkrije mehanike igre. U otvorenom svijetu s nasumičnim događajima može ga, sasvim jasno, navesti na pretjerane korekcije i gubitak iz vida stvarnog cilja. Ipak, skok u odnosu na starije modele je upečatljiv. I pokazuje da je tim iza ARC-AGI benchmarka još jednom izgradio test koji je poslužio kao rani pokazatelj napretka u razvoju AI-ja — baš kao što su rani uspjesi na ARC-AGI-1 označili početak ere modela za zaključivanje.