#LLM benchmarking

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。