作者在 Hacker News 发布了 StarSkirmish Bench v0.2，刷新了这个让大语言模型通过编写代码来玩《星际争霸：母巢之战》的基准测试，并给出 OpenAI、Anthropic、Google 和 Muse 旗舰模型的新结果；对想比较代理式编码模型的开发者而言，这是跨实验室的又一组参考排名。根据社区评论转述，榜单包含 Gemini 4 Argon、GPT-6 Astra、Claude Opus 5.5 等模型，但这些都是该基准项目自身的测试结果，而非独立复现。评论中对该方法的描述称，每个模型在其实验室的一方 CLI 工具中、以可用的最高推理设置运行，且没有联网或网页抓取。
背景
StarSkirmish Bench 的评测方式并非让模型直接操控游戏，而是给每个模型 1 小时挂钟时间，由它编写一个《星际争霸：母巢之战》机器人，再让该程序与一批人类编写的竞技机器人及演示机器人对战，以胜率计分（tool-2-1、tool-2-3）。该基准此前已有 v0.1 版本页面（tool-2-3），本次发布的 v0.2 是结果刷新，汇总了 OpenAI、Anthropic、Google 与 Muse 各家旗舰模型的最新排名。
参考链接
社区讨论
若开发者把该榜单用于选型，需要注意结果与运行条件绑定：评论中描述每个模型跑在各自的 CLI harness 和最高推理设置下，并禁用联网，因此这些排名不能直接外推到 API 调用、较低推理预算或不同工具配置下的表现。
评论者 GodelNumbering 称，v0.2 排名（GPT-6 Astra ＞ GPT-6.1 Sol ＞ Gemini 4 Argon ＞ Claude Opus 5.5 ＞ Claude Fable 5.1 ＞ Claude Sonnet 5.5）与其朋友用 KataGo 作 Elo 锚点的 9x9 围棋基准排序完全一致，并认为这可能反映跨任务的通用能力排序。cgearhart 则质疑一小时时限下智能体写的机器人是否只是较差的真人脚本，以及它们是否可能从人类机器人代码中训练而来。