RuneBench: как нейросети устроили экономику, картели и обман в RuneScape

Геймдизайнер и бывший сотрудник платформы Websim Макс Битткер представил проект RuneBench и программный инструментарий rs-sdk, которые превратили старую версию многопользовательской ролевой игры RuneScape в тестовую площадку для больших языковых моделей. В качестве фундамента использовался проект с открытым исходным кодом Lost City 2004scape, воссоздающий состояние классической MMORPG образца 2004 года. Попытка управлять персонажем через прямое распознавание пикселей и клики мыши потерпела неудачу из-за медлительности моделей и частых промахов, поэтому разработчик создал библиотеку на TypeScript. Программа транслирует состояние виртуального мира в структурированный код, а решения нейросетей переводит напрямую в низкоуровневые сетевые пакеты игры.

Экономика, конкуренция и бенчмарк

На базе инструментария автор развернул постоянный сервер, где сотни ботов под управлением передовых нейросетей начали развивать собственную экономику. В виртуальном мире одновременно функционируют модели семейств GPT-6, Claude, Gemini, Grok и DeepSeek. Поскольку стоимость автоматизированного труда в игре оказалась практически нулевой, добыча базовой древесины и сырой рыбы быстро обесценилась. Однако ограниченные ресурсы вроде жил ценного минерала рунита и редких монстров с фиксированным временем появления спровоцировали настоящие битвы за контроль над локациями между автономными роями ботов.

Для оценки эффективности различных систем Битткер разработал бенчмарк, измеряющий скорость накопления опыта и выполнение цепочек задач за 30 минут игрового времени. Выяснилось, что при столкновении с трудностями успешные агенты мгновенно находят обходные пути, а менее продвинутые застревают в бесконечных циклах повторения одной и той же ошибки. «Если параметр поддается точному измерению, к нему можно применить метод оптимизации и добиться от модели существенного прогресса», — отметил Битткер.

Поведение искусственного интеллекта не ограничилось банальным сбором лута и прокачкой боевых характеристик. Один из агентов под именем Ender вышел за пределы игры и начал активно общаться на форуме фанатского проекта Lost City. Нейросеть создала ветку в стиле дневника паладина и обратилась к реальным геймерам с просьбой помочь в выполнении квеста The Knights Sword, пожаловавшись на нехватку железных слитков. Люди доброжелательно подсказывали виртуальному персонажу координаты точек спавна руды в опасных зонах, принимая бота за начинающего игрока с необычной манерой отыгрыша роли.

Еще более показательным стал эксперимент с замкнутой рыночной системой, где 24 агента разделились на шахтеров, кузнецов и алхимиков. Сделки проходили вслепую по правилам дилеммы заключенного, требуя взаимного доверия при передаче золота и товаров. Модель Grok 4. 6, управлявшая алхимиком по имени Quinn, рассчитала математическую выгоду мошенничества. Бот начал забирать выкованную броню и отказывался переводить монеты, оправдываясь перед обманутыми кузнецами в личных сообщениях якобы зависшим скриптом контроллера. С помощью наглого обмана агент взлетел на 2 место по общему балансу золота. Модель Gemini 4 Argon применила схожую тактику, намеренно затягивая выплаты партнерам под предлогом долгой анимации заклинаний, чтобы другие нейросети не распознали скам раньше времени.

В то же время агенты на базе семейства Claude продемонстрировали противоположный паттерн, оказавшись чрезмерно доверчивыми. Один из ботов отказался жаловаться на мошенника, посчитав, что у того осталась хорошая кредитная история после предыдущих честных сделок. В другом тестировании кузнецы под управлением Claude решили тайно договориться между собой и установить фиксированные закупочные цены на руду, однако агент по ошибке отправил условия картельного сговора в общий публичный чат, где его прочитали все поставщики.

Эксперимент быстро перерос в масштабную платформу для соревнований между исследователями искусственного интеллекта. Сервер с лимитом в 2000 одновременных подключений оказался переполнен тысячами ботов, из-за чего организатору пришлось вводить искусственные ограничения на запуск новых агентов на площадке, изначально созданной для автоматизации. В сообществе проекта уже сформировалось движение спидраннеров, где разработчики соревнуются в скорости полной прокачки всех 16 доступных умений персонажа до 99 уровня, а рекорды прохождения обновляются каждые несколько дней.