គោលដែលស្នើឱ្យម៉ូដែលភាសាធំ ៗ សរសេររូបយន្ត StarCraft ប្រកួតប្រជែងក្នុងរយៈពេលមួយម៉ោងបានផ្តល់លទ្ធផលលម្អិតបំផុតរបស់វានៅឡើយ ហើយសាលក្រមត្រូវបានបំបែក៖ OpenAI's GPT-6 Astra គ្របដណ្តប់លើវិស័យ AI ប៉ុន្តែរូបយន្តដែលសរសេរដោយមនុស្សខ្លាំងបំផុតនៅតែយកឈ្នះគំរូល្អបំផុត 93% នៃពេលវេលា។

StarSkirmish Bench v0.2 ដែលបានចេញផ្សាយនៅថ្ងៃទី 15 ខែតុលាដោយអ្នកអភិវឌ្ឍន៍ Kai McPheeters វាយតម្លៃថាតើ StarCraft: Brood War bot នីមួយៗអាចផលិតបានដោយផ្តល់ពេលវេលានាឡិកាជញ្ជាំងតែមួយម៉ោង។ ម៉ូដែលនីមួយៗសរសេរ Protoss bot នៅក្នុង C ++ ដែលបន្ទាប់មកត្រូវបានលេងប្រឆាំងនឹង bots ដែលសរសេរដោយម៉ូដែលគូប្រជែង និងប្រឆាំងនឹងដៃគូប្រកួតប្រជែងដែលសរសេរដោយមនុស្ស។ ការធ្វើតេស្តនេះត្រូវបានរចនាឡើងដើម្បីស៊ើបអង្កេតការវែកញែកវែងឆ្ងាយ និងការសរសេរកូដភ្នាក់ងារ ចាប់តាំងពីម៉ូដែលត្រូវតែបញ្ចូលមេរៀនពីហ្គេមអនុវត្ត ដើម្បីកែលម្អការបង្កើតរបស់ពួកគេ។ For more context on this story, see our ongoing breaking AI news.

របៀប Benchmark ដំណើរការ

ច្បាប់គឺសាមញ្ញដោយចេតនា។ មួយម៉ោង ភាសាមួយ ការប្រណាំងមួយ។ ពិន្ទុរបស់ម៉ូដែលនីមួយៗគឺជាអត្រាឈ្នះជាមធ្យមនៅលើការរត់ចំនួន 5 ធៀបនឹងបញ្ជីនៃ bots ដែលសរសេរដោយមនុស្សប្រកួតប្រជែង និងរូបយន្តសាកល្បង។ កំណែ 0.2 បានបន្ថែមការកែប្រែមួយ៖ រាល់ម៉ូដែលស្មាតហ្វូនដំណើរការនៅខាងក្នុងឧបករណ៍សរសេរកូដ CLI ភាគីទីមួយរបស់មន្ទីរពិសោធន៍របស់ខ្លួន ដោយសាកល្បងជង់ភ្នាក់ងារពេញលេញជាជាងការដក API រង្វិលជុំ។

មាន asymmetry មួយដែលអ្នកនិពន្ធគោលកត់សម្គាល់ជាមុន: Gemini 4 Argon ដំណើរការនៅ "ខ្ពស់" - ការខិតខំប្រឹងប្រែងហេតុផលខ្ពស់បំផុតដែលមានសម្រាប់វា - ខណៈពេលដែលគ្រប់ម៉ូដែលផ្សេងទៀតដំណើរការអតិបរមា។

GPT-6 Astra Leads, GPT-6.1 Sol ឈ្នះលើតម្លៃ

លទ្ធផលបានធ្វើឱ្យ GPT-6 Astra នៅកំពូលតារាងពិន្ទុ ដែលការសរសេររៀបរាប់ថាជាជំហានច្បាស់លាស់មួយនាំមុខ GPT-6.1 Sol នៅក្នុងចំណាត់ថ្នាក់ទីពីរ។ រឹមគឺសំខាន់សម្រាប់អ្នកមើលស្តង់ដារ៖ នៅក្នុងឈុតសរសេរកូដភ្នាក់ងារភាគច្រើន ម៉ូដែលស្មាតហ្វូនប្រមូលផ្តុំគ្នាក្នុងចំណុចមួយចំនួននៃគ្នាទៅវិញទៅមក ដូច្នេះតារាងពិន្ទុដែលបែងចែកវាលទៅជាថ្នាក់ដាច់ដោយឡែកកំពុងធ្វើការងារវិនិច្ឆ័យច្រើនជាងក្រុមកំពូលទាំងដប់។ Gemini 4 Argon, Claude Opus 5.5 និង Claude Fable 5.1 ត្រូវបានភ្ជាប់មុខងារនៅពីក្រោយម៉ូដែល OpenAI ទាំងពីរ ដោយពិន្ទុទាំងអស់ចន្លោះពី 37 ទៅ 39។ Meta's Muse Wonder Full ទទួលបានចំណាត់ថ្នាក់ទី 7 ។

ការវិភាគតម្លៃអាចជាការរកឃើញដ៏ទាក់ទាញ។ ដោយគ្រោងធៀបនឹងការចំណាយ API ជាមធ្យមនៃការរត់មួយម៉ោង GPT-6.1 Sol ចុះចតតែម្នាក់ឯងក្នុង quadrant ដ៏គួរឱ្យទាក់ទាញបំផុត: កន្លែងទីពីរត្រឹមតែជាងមួយភាគដប់នៃការចំណាយរបស់ GPT-6 Astra ក្នុងមួយរត់។ សម្រាប់ក្រុមដែលថ្លឹងថ្លែងពីការអនុវត្តភ្នាក់ងារធៀបនឹងថវិកា គម្លាតរវាងម៉ូដែល OpenAI ទាំងពីរគឺជាចំណងជើងជាក់ស្តែង។

រូបយន្តមនុស្សនៅឆ្ងាយ

ប្រឆាំងនឹងរូបយន្តដែលសរសេរដោយមនុស្សខ្លាំងបំផុត - Stardust, PurpleWave និង BananaBrain - GPT-6 Astra ឈ្នះតែ 7% នៃហ្គេមរបស់វា។ អ្នកនិពន្ធរបស់តារាងពិន្ទុកត់សំគាល់ថាដែនកំណត់នៃហេតុផលមួយម៉ោងគឺជាកត្តាមួយ ហើយលក្ខខណ្ឌនៃការប្រកួតសម្រាប់រូបយន្តដែលសរសេរដោយមនុស្សពិតប្រាកដគឺពិបាកជាងផែនទីអ្នកលេងពីរនាក់ដែលប្រើក្នុងការវាយតម្លៃ។

ទោះបីជាយ៉ាងណាក៏ដោយ គម្លាតនេះគឺជាការកែតម្រូវដ៏មានប្រយោជន៍ចំពោះនិទានរឿងអំពីការគ្រប់គ្រងរបស់ AI ដែលជិតមកដល់នៅក្នុងកម្មវិធី៖ លើកិច្ចការដែលមានលក្ខខណ្ឌឈ្នះច្បាស់លាស់ យុទ្ធសាស្ត្រស៊ីជម្រៅ និងផែនការដ៏វែងឆ្ងាយ វិស្វកម្មសហគមន៍ជាច្រើនទស្សវត្សរ៍នៅតែឈរបានល្អលើសពីម៉ោងនៃការសរសេរកូដគំរូព្រំដែនអាចផលិតបាន។

StarCraft បានបម្រើជាយូរមកហើយជាកន្លែងបង្ហាញឱ្យឃើញសម្រាប់ការលេងហ្គេម AI យ៉ាងជាក់លាក់ ព្រោះវាទប់ទល់នឹងកម្លាំងសាហាវ។ យុទ្ធសាស្រ្តពេលវេលាពិតប្រាកដទាមទារការគ្រប់គ្រងដំណាលគ្នានៃសេដ្ឋកិច្ច ការរុករក និងការប្រយុទ្ធក្រោមព័ត៌មានផ្នែក ហើយសហគមន៍ Brood War បានរក្សាការប្រកួត bot ប្រកួតប្រជែងជាច្រើនឆ្នាំ។ ប្រព័ន្ធ​អេកូឡូស៊ី​ដែល​ប្រមូល​ផ្ដុំ​នោះ​ហើយ​ជា​អ្វី​ដែល​ធ្វើ​ឱ្យ​គោល​ការណ៍​គោល​របស់​មនុស្ស​មាន​ន័យ​ថា Stardust, PurpleWave និង BananaBrain មិន​មែន​ជា​គូ​ប្រកួត​ធម្មតា​ទេ ប៉ុន្តែ​ជា​កម្មវិធី​ដែល​មាន​ភាព​រឹង​មាំ​ក្នុង​ការ​ប្រកួត។

ស្មាតហ្វូនស៊េរីថ្មីឈានចូលដល់ការបាក់បែក

កំណែ 0.2 ក៏បម្រើជាតារាងពិន្ទុដំបូងសម្រាប់ម៉ូដែលដែលទើបនឹងចេញថ្មីៗផងដែរ។ Gemini 4 Argon របស់ Google បានជំនួស Gemini 3.8 Flash របស់ v0.1 ហើយបានជាប់ចំណាត់ថ្នាក់លេខ 3 នៅលើការបង្ហាញដំបូង ខណៈដែល Meta's Muse Wonder Full បានឈានជើងចូលសម្រាប់ Muse Spark 1.3 និងបានបញ្ចប់ក្នុងចំណាត់ថ្នាក់ទី 7 ។ GPT-6 Astra និង Claude Opus 5.5 បានឆ្លងកាត់ការគ្របដណ្តប់របស់កំណែមុន។

ស្តង់ដារកត់ត្រាដានភ្នាក់ងារសម្រាប់ការរត់នីមួយៗ ដោយកត់ត្រាពីរបៀបដែលម៉ូដែលនីមួយៗបានចំណាយពេលម៉ោងរបស់ខ្លួន — សំណុំទិន្នន័យដែលប្រែក្លាយតារាងពិន្ទុទៅជាការសិក្សាអំពីអាកប្បកិរិយានៃពេលវេលាថវិកានៃគំរូរបស់មន្ទីរពិសោធន៍ផ្សេងៗគ្នារវាងការធ្វើផែនការ ការសរសេរកូដ និងការធ្វើតេស្តលេង។ ថាតើគំរូនៃការសម្រេចចិត្តស្ថាបត្យកម្មផ្ទុកផ្នែកខាងមុខ ឬដំណើរការឡើងវិញយ៉ាងឆាប់រហ័សតាមរយៈសេចក្តីព្រាង buggy គឺពិតជាប្រភេទនៃដំណើរការលម្អិតដែលពិន្ទុសរុបលាក់ ហើយវាជាកន្លែងដែលភាពខុសគ្នារវាងមន្ទីរពិសោធន៍គួរឱ្យចាប់អារម្មណ៍បំផុតមាននិន្នាការលេចឡើង។

ហេតុអ្វីវាសំខាន់

ស្តង់ដារនៃការសរសេរកូដ Agentic មានភាពឆ្អែតឆ្អន់យ៉ាងឆាប់រហ័ស ជាមួយនឹងម៉ូដែលស្មាតហ្វូនដែលដាក់ជាចង្កោមនៅជិតកំពូលនៃឈុតវិស្វកម្មផ្នែកទន់ជាច្រើន។ StarSkirmish ផ្តល់នូវជម្រើសមួយ៖ បរិយាកាសដែលពិដានត្រូវបានកំណត់ដោយអ្នកជំនាញមនុស្ស វឌ្ឍនភាពត្រូវបានវាស់ដោយអត្រាឈ្នះជាជាងភាគរយនៃដំណោះស្រាយសំបុត្រ ហើយថវិការយៈពេលមួយម៉ោងឆ្លុះបញ្ចាំងពីឧបសគ្គក្នុងពិភពពិតលើការងារភ្នាក់ងារ។

លទ្ធផលបានជាប់គាំងជាមួយអ្នកអភិវឌ្ឍន៍។ ការបង្ហោះ Show HN បានទាក់ទាញការបោះឆ្នោតគាំទ្រជាង 200 ដោយមានអ្នកអត្ថាធិប្បាយជីកចូលទៅក្នុងដានភ្នាក់ងារ និងផែនការចំណាយប្រសិទ្ធភាព។ ការពិភាក្សា Benchmark នៅលើ Hacker News មានទំនោរបំបែករវាងវិធីសាស្រ្ត quibbles និងសមត្ថភាព hot take; មួយនេះបានទាក់ទាញទាំងពីរជាមួយនឹងសមហេតុផល-ការខិតខំប្រឹងប្រែងមិនស្មើគ្នា និងទំហំគំរូដែលដំណើរការចំនួនប្រាំក្នុងចំណោមជម្រើសនៃការរចនាដែលត្រូវបានពិនិត្យពិច័យបំផុត។ នៅពេលដែលកម្រិតនៃកិច្ចខិតខំប្រឹងប្រែងដោយហេតុផលកើនឡើង និងការពង្រឹងកាន់តែប្រសើរឡើង អ្នកនិពន្ធរបស់តារាងពិន្ទុបានបន្តធ្វើម្តងទៀត ហើយសម្រាប់ពេលនេះ សហគមន៍មនុស្សយន្ត StarCraft រក្សាការនាំមុខប្រកបដោយផាសុកភាព។

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →