Гейминг на все токены: GPT-6 Astra самостоятельно прошла Portal, потратив на запросы стоимость подержанного iPhone

Автор: Павел Дорошенко, сегодня, 15:59

Пока вы пытаетесь выбить платину в сложных тайтлах, нейросети уже самостоятельно осваивают классику от Valve. Модель GPT-6 Astra доказала, что может «думать порталами», хотя делает это очень медленно и неприлично дорого. Эксперимент провел энтузиаст с ником cozyblaze, который решил проверить, способны ли алгоритмы справиться с пространственными головоломками без подсказок человека.

Для успешного прохождения разработчик предоставил модели доступ к скриншотам игры, инструменты управления и текущие координаты персонажа. Astra анализировала визуальную информацию и пошагово выбирала дальнейшие действия, превращая динамичный геймплей в серию последовательных логических задач.

Сутки раздумий вместо двух часов игры

Если вы привыкли, что OpenAI выдает ответы за секунды, то в Portal этот фокус не прошел. Хотя финальная запись эксперимента длится лишь два часа, реальный процесс занял почти 24 часа. Игру приходилось постоянно останавливать, чтобы Astra могла обработать изображения и «подумать» над следующим шагом. Тем не менее результат заслуживает внимания: модель самостоятельно преодолела абсолютно все испытания, не застряв в текстурах или собственной логике.

Дорогое удовольствие

Наиболее отрезвляющим моментом в этой истории стал финансовый отчет. Такой «автономный геймплей» оказался развлечением не для бедных:

  • общее количество запросов к API — 3336;
  • затраты на прохождение — $571 (около 25 400 грн).

На эти деньги можно было бы купить несколько сотен копий самой игры во время распродажи в Steam, но для науки цифры имеют другое значение. Astra продемонстрировала, что современные модели уже способны ориентироваться в трехмерном пространстве и решать комплексные задачи, даже если это стоит как неплохой смартфон среднего сегмента.

Кстати, пока одни модели играют в игры, другие попадают в юридические скандалы из-за авторских прав. Например, авторы требуют огромных компенсаций от Anthropic, что ставит под вопрос будущее обучения таких систем.