Codex 星际 18 连胜，水平依然是新手

有人做了个只能通过 agent 来玩的星际争霸母巢之战，本来只是想跟朋友折腾一下，结果做成了网上比较诚实的 agent 评测之一。地址是 bw.swerdlow.dev，它干了一件大多数 benchmark 不愿意干的事：把每次尝试花了多少钱写出来。

Codex Astra 在最高难度下全胜，十八连。平均每局 10.54 美元。Grok 在 5.6% 到 11.1% 之间。Claude Haiku 十六局零胜。Claude Fable 输得多，但输得有意思，它是真的在试图发展经济、爬科技树，而不是有什么兵造什么兵。

行为记录比分数好看。Codex 反复用的最强套路是骚扰，派一个探机穿过地图去骚扰对面的农民和建筑。效果好得离谱，主要因为对面那个 agent 会花掉巨量时间来决定怎么处理这一个农民。Grok 4.6 的失败方式则是每个做 agent 的人都认识的：大段大段的推理，极少的指令批次。它想得很漂亮，几乎不下命令，而这是一个你思考时时钟不会停的游戏。这不是推理能力不足，是 harness 和节奏的问题，但在记分板上一样算输。

作者自己的结论是诚实的，也是这篇值得读而不是值得欢呼的原因。没有任何一个 agent 打出超过新手的水平。没有一个能组出真正的兵种搭配，没有一个能防住一次有组织的进攻，没有一个执行了人类会称之为战术的东西。Codex 对内置 AI 十八连胜，而任何一个熟练玩家十分钟就能把它拆了。

所以两件事得同时拿住。一个没有经过任何星际训练的通用编程 agent，在最高难度下把游戏内置 bot 连赢十八把，三年前没有任何东西做得到。同时它打得很烂，一局十美元，而这个领域的技能上限比它落点高出六个数量级。即时战略是对 agent 最短板的最干净测试，那个短板叫在时钟压力下行动，现在我们终于知道它做得有多差，还知道了单价。