Gemini 4 Argon 玩星际争霸

摘要

有人做了一个基准测试，让 LLM 通过写代码来玩《星际争霸：母巢之战》。测试更新了 OpenAI、Anthropic、Google 和 Muse 旗舰模型的结果。评论区在讨论这种测试方式能否真正衡量模型的规划与执行能力。原文附有完整的排行榜和回放链接。