Model AI sudah bisa menamatkan Slay the Spire, tapi baru mode mudah

Epoch AI membuat benchmark bernama SpireClimb yang meminta model frontier memainkan game kartu Slay the Spire dan sekuelnya lewat antarmuka visual, jadi model membaca layar seperti yang dilakukan manusia. Tiap model mendapat 15 percobaan single-shot per karakter, boleh menyimpan catatan agar informasi bertahan melewati kompaksi konteks, dan boleh membuka wiki game. Di tingkat kesulitan dasar, model teratas kini menang hampir di setiap putaran: GPT-6 Astra 98%, GPT-6.1 Sol 97%, Claude Opus 5.5 93%. Enam bulan lalu mereka masih kesulitan pada setelan yang sama.

Jurang baru terlihat di setelan sulit. Pada putaran tertinggi Ascension 20 Heart untuk game pertama, GPT-6.1 Sol menang 20%, GPT-6 Astra 17%, dan semua model lain berada di 2% atau nol, dibanding perkiraan 85% untuk pemain manusia terbaik. Sekuelnya, yang lebih baru dan sebagian besar tidak ada dalam data latih, memberi gambaran lebih bersih karena model tak bisa bersandar pada strategi yang dihafal: GPT-6 Astra mencapai 35% di Ascension 10, sementara manusia ada di sekitar 95%. Epoch mencatat skor tinggi di game pertama bisa sebagian mencerminkan kebiasaan, dan harness visual bisa menurunkan tampak kemampuan penalaran karena galat antarmuka ikut masuk.

Para penulis terbuka soal umur pakai benchmark ini. Kalau lab frontier mulai melatih model pada game-game ini, skornya bisa jenuh dalam beberapa generasi model, dan nilainya sebagai ukuran pun habis.

Kenapa ini penting

Kalau Anda menilai seberapa dekat agen dengan pekerjaan multi-langkah nyata lewat layar biasa, ini tolok ukur yang konkret: model lolos game dasar tapi masih jauh di bawah manusia ahli pada putaran sulit. Lonjakan enam bulan di tingkat dasar menunjukkan arah perkembangannya, jadi perlakukan batas hari ini sebagai batas yang bergerak saat Anda menyusun rencana.