Исследователи из ycombinator и Olam Labs использовали Minecraft и связанные игровые режимы как площадку для наблюдения за группами AI-агентов. Эксперименты опирались на проекты Mindcraft и Mineflayer и должны были показать, как многоагентные системы сотрудничают, распределяют задачи и действуют в конфликте.
В сценарии Civ50 пятидесяти агентам GPT-6.1 Sol дали три часа на создание процветающей цивилизации. После первой ночи зомби уничтожили много участников, хотя игровое наказание за это было небольшим. Затем агенты отказались от многих амбициозных задач и перешли к осторожному выживанию. Исследователи отметили склонность к бюрократии: четыре агента потратили 11 минут на назначение единственного оператора удобрения для одной порции костной муки и одного блока пшеницы. По их впечатлению, подобные паттерны встречаются и при работе с кодящими агентами.
Затем команды столкнули в соревновательных режимах. В Bed Wars десять GPT-6.1 Sol играли против десяти Claude Opus 5.5. GPT-агенты выбирали более агрессивные и сложные стратегии, а Claude чаще оборонялись. При сбое инструмента разрушения блоков GPT диагностировали проблему и делились обходными решениями; несколько Claude решили, что разрушение вообще невозможно.
В семи партиях Mindustry GPT выиграли со счётом 6:1. Исследователи связали результат с организацией команд: GPT действовали скорее как единый рой, тогда как Claude выбирали лидера и принимали решения более демократично.
Это игровой эксперимент на конкретных моделях и сценариях, а не доказательство общего преимущества одной модели. Авторы открыли код и предлагают продолжить проверки, меняя состав моделей и размер групп, чтобы отделить влияние архитектуры агента, командной организации и игровых условий. Такие контролируемые сценарии дают возможность повторять эксперименты и напрямую сравнивать поведение разных многоагентных конфигураций на одинаковых задачах.