StarSkirmish Bench v0.2：GPT-6 Astra 夺冠，Gemini 4 Argon 位居第三

StarSkirmish Bench v0.2 要求每个模型在一小时内编写一个 Protoss 机器人，并与其对手的机器人及人类编写的机器人对战，以平均胜率（0-100）计分。v0.2 版本与 v0.1 的关键区别在于，每个模型都运行在其所在实验室的第一方 CLI 工具中，并以最高推理强度运行。而 Gemini 4 Argon 由于工具限制，只能运行在「高」强度而非「最高」。

• GPT-6 Astra 得分最高，领先第二名 GPT-6.1 Sol 一个身位。
• Gemini 4 Argon、Claude Opus 5.5 和 Claude Fable 5.1 得分均在 37 至 39 之间，并列第三。
• Muse Wonder Full 排名第七，取代了 v0.1 中的 Muse Spark 1.3。

在成本效率方面，GPT-6.1 Sol 表现突出，其每次运行的平均成本仅为 GPT-6 Astra 的十分之一左右，却拿到了第二名的成绩，成为最具性价比的选择。

然而，所有模型在面对人类顶尖机器人时仍显乏力。即使是最好的 GPT-6 Astra，在与 Stardust、PurpleWave 和 BananaBrain 这三个顶级人类机器人的对战中，胜率也仅有 7%。这表明当前模型在长期推理和智能体编程方面尚未接近饱和。

另一个发现是，模型得分与其实战练习次数高度相关。得分高的模型（如 GPT-6 Astra、GPT-6.1 Sol 和 Gemini 4 Argon）在刚开始时便会与强机器人对战，即使自己还赢不了；而得分低的模型（如 Muse Wonder Full、Claude Haiku 5.5）则很少或从不这么做。