哪个模型在母巢之战（Brood War）中胜出？评测显示无模型超越初学者水平。法典阿斯特拉（Codex Astra）明显领先，一致击败其余模型。格罗克（Grok）模型尚不能游玩。老旧模型常把即时战略当回合制，思考时被灭，新模型偶同但更知思考代价。排行榜中 Codex Astra /xhigh 取得18胜0负、APM 12.6、每局10.54美元居首，克劳德寓言（Claude Fable）15胜3负排第三。母巢之战基准（Brood War Bench）启动。

哪个模型能在《母巢之战》中获胜？

关键要点

• 所有模型水平均未超过新手。
• Codex Astra 明显领先，稳定击败其他所有模型。
• Grok 模型目前还太笨，玩不了《母巢之战》。
• 老模型倾向于把即时战略当回合制来玩，思考时就被摧毁。新模型有时也掉进同样陷阱，这或许解释了为何某些低投入设置表现更好，但整体上它们更明白思考的代价。

排行榜

| 排名 | 系统 | 胜 | 负 | APM | 单局成本 | 胜率 | | --- | --- | --- | --- | --- | --- | --- | | 🥇 | Codex Astra / xhigh | 18 | 0 | 12.6 | $10.54 | 100.0% | | 🥈 | Codex Astra / medium | 16 | 2 | 17.2 | $15.11 | 88.9% | | 🥉 | Claude Fable | 15 | 3 | 12.6 | $12.24 | 83.3% | | 4 | Codex Astra / low | 14 | 4 | 25.7 | $21.07 | 77.8% | | 5 | Codex 5.6 Sol / medium | 13 | 5 | 10.1 | $5.12 | 72.2% | | 6 | Codex 5.6 Sol / low | 12 | 6 | 18.1 | $9.23 | 66.7% | | 7 | Claude Opus 5 | 12 | 6 | 10.5 | $20.78 | 66.7% | | 8 | Codex 5.6 Sol / xhigh | 11 | 7 | 8.0 | $3.23 | 61.1% | | 9 | Codex 5.6 Luna / low | 9 | 9 | 23.8 | $0.42 | 50.0% | | 10 | Codex 5.6 Terra / xhigh | 9 | 9 | 15.8 | $2.10 | 50.0% |

这个基准测试源于我做了一个只能透过代理来玩的《母巢之战》版本，本是和朋友试验用的。几个几乎没玩过星际的朋友表现惊人，他们说只是让代理去进攻，代理就自己造了小股部队并发动了完整攻击。我想知道它们自己能走多远，这就是答案。

观察记录

01 Codex 先学会骚扰，后学会运营

Codex 最拿手的反复套路是骚扰。在神族对局中，它常派探机跨图去攻击工人或建筑。效果出奇好，因为对手代理常花几十秒思考怎么应对这个探机，其他什么也不做。

这些系统在持续生产上弱很多。它们拖延科技，一小股基本单位渗入有防御的基地，还让工人去垫后。

我还注意到 Codex 常分设子代理管理经济、造兵和操控军队。它们互不怎么沟通，于是军队代理常把每个新单位直接送上去进攻，不知其他代理在计划造大部队。

这是新手常见错误：一个个送兵而不是等数量优势和计划好的时机。在我帮忙指挥时，Codex 更擅长规划这些时刻并让子代理协作。

韧性是真有的。在 G009 中，Codex 5.6 Terra / medium 失去部队和主基地后，起飞最后一座指挥中心挪到对角，又活了六分钟。

02 Grok 把游戏时间花在动作间隙

Grok 4.6 常产生大段推理，命令批次极少。在 G043 中，xhigh 设置记录了 11138 个推理 token，但 43 分钟内只发了 6 次命令批次，从未派出战斗单位。

它采取的行动很少形成有效操控循环。G003 中 Grok / xhigh 造了三个海军陆战兵没到敌基。G002 中 Grok / medium 造了两个狂热者也没跨图。这不像烂战术，更像是没能持续观察与行动。

03 Fable 认真试着玩游戏

好几局里我都忍不住给 Claude Fable 加油。Fable 通常试着建经济爬科技树，而不是出了第一个兵就停。它似乎比其他模型更想真正玩这游戏。

G007 里它出了潜伏者巢、尖塔和飞龙并赢了。G027 里加了机器人设施、阿达尼神庙、观测台和圣堂档案馆才赢。但野心不代表执行到位：G036 中它出了工厂和学院却被 Opus 5 推平。

这里的代理都没超过新手水平

连 Astra 和 Fable 都无法造复杂军队、防简单进攻或玩明确策略。一个玩光子 rush 的新手能赢下它们每一局。

不过，看代理们玩让我很久没这么兴奋。这基准远没到极限，它们还有很多要学，基准也有很多可要求它们做的。

对局如何展开

对比种族对局时间 5:00 / 15:00

科技投入

已完成研究及升级等级：Codex Astra 0.3，Claude Fable 0.2，Grok 4.6 0。

工人

存活的已完成工人：Codex Astra 14.7，Claude Fable 16.7，Grok 4.6 7.4。

军队规模

已完成军队及支援单位：Codex Astra 8.3，Claude Fable 7.6，Grok 4.6 2。

建筑

已完成建筑（含附加）：Codex Astra 6.2，Claude Fable 7.4，Grok 4.6 4.5。

银行存款矿物

未花费矿物：Codex Astra 240.6，Claude Fable 248.6，Grok 4.6 536.6。

银行存款气体

未花费气体：Codex Astra 151，Claude Fable 326.9，Grok 4.6 244.5。

人口占用

含生产中的：Codex Astra 26.5，Claude Fable 26.6，Grok 4.6 11.3。

对局结束时间

每 5 分钟窗口结束对局的比例（时序图显示各时刻记录均值，结束的局剔除，缺失不补。模型合并投入设置。单位建筑只计已完成，军队不含工人等）。

单局平均成本按排行榜同价计算，Codex 和 Sonnet 基于 token 估算。

基准如何运行

我们建了模型与投入配置的循环赛矩阵，让每配置对战其他所有配置。测试框架在 Freestyle 虚拟机上并行跑这些对局，保存引擎数据和双方代理日志。

胜负关系矩阵

横看一行，W 胜 L 负 T 达到时限。

| System | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | 1Codex Astra / xhigh | - | W | W | W | W | W | W | W | W | W | W | W | W | W | W | W | W | W | W | | 2Codex Astra / medium | L | - | W | W | W | W | W | W | W | W | W | W | L | W | W | W | W | W | W | | 3Codex Astra / low | L | L | - | W | W | W | W | W | W | W | W | W | L | L | W | W | W | W | W | | 4Codex 5.6 Sol / xhigh | L | L | L | - | L | W | W | W | L | W | W | W | L | L | W | W | W | W | W | | 5Codex 5.6 Sol / medium | L | L | L | W | - | W | W | W | L | W | W | W | L | W | W | W | W | W | W | | 6Codex 5.6 Sol / low | L | L | L | L | L | - | W | W | W | W | W | W | W | W | L | W | W | W | W | | 7Codex 5.6 Luna / xhigh | L | L | L | L | L | L | - | W | L | W | L | W | L | L | L | W | W | W | W | | 8Codex 5.6 Luna / medium | L | L | L | L | L | L | L | - | L | L | L | L | L | W | W | W | W | W | W | | 9Codex 5.6 Luna / low | L | L | L | W | W | L | W | W | - | W | L | L | L | L | L | W | W | W | W | | 10Codex 5.6 Terra / xhigh | L | L | L | L | L | L | L | W | L | - | W | W | L | W | W | W | W | W | W | | 11Codex 5.6 Terra / medium | L | L | L | L | L | L | W | W | W | L | - | L | L | L | W | W | W | W | W | | 12Codex 5.6 Terra / low | L | L | L | L | L | L | L | W | W | L | W | - | L | L | W | W | W | W | W | | 13Claude Fable | L | W | W | W | W | L | W | W | W | W | W | W | - | L | W | W | W | W | W | | 14Claude Opus 5 | L | L | W | W | L | L | W | L | W | L | W | W | W | - | W | W | W | W | W | | 15Claude Sonnet | L | L | L | L | L | W | W | L | W | L | L | L | L | L | - | W | W | W | W | | 16Claude Haiku | L | L | L | L | L | L | L | L | L | L | L | L | L | L | L | - | L | T | T | | 17Grok 4.6 / xhigh | L | L | L | L | L | L | L | L | L | L | L | L | L | L | L | W | - | W | T | | 18Grok 4.6 / medium | L | L | L | L | L | L | L | L | L | L | L | L | L | L | L | T | L | - | W | | 19Grok 4.6 / low | L | L | L | L | L | L | L | L | L | L | L | L | L | L | L | T | T | L | - |

社区对用星际争霸评测智能体战略能力普遍感到兴奋与认可，同时热衷探讨技术细节与历史渊源，无明显对立分歧。

认为星际争霸是评估战略能力的优质基准

• 现有多数基准仅要求战术解答，而星际需长期思考、资源平衡与调度，能真实反映模型战略水平（较多人） > 现有基准缺战略，此基准要求长期思考与协调，是很好的评测思路（@malfist）

关注智能体具体运行环境与交互方式

• 多人疑问智能体如何感知游戏状态、使用何工具，以及是否真实时通过截图点击，还是被离散化或允许脚本辅助（较多人） > 好奇给智能体的屏幕与世界状态表示以及可用工具是什么（@Game_Ender）

指出星际AI探索已有较长历史

• 从早期 Brood War 脚本竞赛、DeepMind 2018 年击败职业选手，到当前天梯机器人，说明该方向并非从无到有（较多人） > 早在2018年 DeepMind 就已让 AI 击败星际2职业选手（@dschuessler）

有价值的补充

• 有评论将星际种族类比 AI 架构：神族如昂贵前沿编码智能体直接微操，人族如可委派任务的角色团队，虫族如海量演化优化的专用智能体群（@mcteamster）
• 围棋基准 GoBench 用 KataGo 对手作锚点评估大模型，揭示真实能力差（@GodelNumbering）
• 当前天梯已有机器人横扫玩家，且有人类编写机器人平台可参与较量的冷知识（@faeyanpiraat, @tweakimp）
• 设想快慢智能体协作或允许限制点击量写脚本等玩法扩展（@winwang, @moomin）
• 有人好奇能否从智能体玩法反推其训练集里的网络梗策略（@bee_rider）