Блогер Roberto Nickson (@rpnickson, около 63 тысяч подписчиков в X) ведёт серию AGENT WARS: фронтир-модели сами проектируют конструкцию, автор печатает её на 3D-принтере с заданными лимитами и испытывает вживую. В третьем выпуске, опубликованном 16 октября 2026 года, из шести участвовавших моделей капсулу, защитившую яйцо при сбросе с 20 футов (около 6 метров), показала только Anthropic Claude Opus 5.5, у трёх моделей яйцо разбилось уже при падении с 4 футов (около 1,2 метра), а капсула Qwen 3.8-Max разбила яйцо полностью. Во втором выпуске мост Claude Opus 5.5 удержал около 59 килограммов нагрузки, тогда как мосты некоторых конкурентов оказалось невозможно даже собрать. Серия продолжается: четвёртый эпизод уже анонсирован.

image
image

Что произошло

В эпизоде 03, вышедшем твитом 16 октября 2026 года, участвовали шесть моделей: Google Gemini 4 Argon, Anthropic Claude Opus 5.5, Qwen 3.8-Max, Meta Muse Wonder, OpenAI GPT 6 Astra и Grok 4.7. Заданием была капсула для защиты яйца при падении, а лимитами — 250 граммов однотипного филамента, до 8 часов печати и до 20 ватных шариков. Неповреждённым после сброса яйцо осталось только в капсуле Claude Opus 5.5, которая выдержала падение с 20 футов (около 6 метров); у GPT 6 Astra оно треснуло при сбросе с 8 футов (около 2,4 метра), у Gemini 4 Argon, Grok 4.7 и Meta Muse Wonder — уже с 4 футов (около 1,2 метра), а капсула Qwen 3.8-Max разбила яйцо полностью. Ранее, во втором эпизоде от 27 сентября 2026 года, собравшем 8,4 тысячи лайков, пять моделей в режиме High — Claude Opus 5.5, Kimi K3, Meta Muse Spark 1.3, GPT 6 Astra и Grok 4.7 — строили мосты пролётом 2 фута (около 61 сантиметра) с лимитом 500 граммов филамента и 18 часами печати. Мост Claude Opus 5.5 удержал примерно 130 фунтов (около 59 килограммов): конструкция собиралась из 17 напечатанных деталей, на которые ушло 441 грамм пластика и 9 часов 11 минут работы принтера; нагрузку около 12 килограммов выдержал мост Meta Muse Spark 1.3, около 8 килограммов — мост GPT 6 Astra, а мосты некоторых других участников невозможно было даже собрать.

Контекст

Смысл серии в том, что она проверяет то, чего не измеряют синтетические лидерборды: агенту приходится удерживать в голове материальные ограничения — массу филамента, время печати, точку нагрузки и допуски сборки — и довести замысел до изделия, которое можно изготовить и которое реально работает. Формат «агент спроектировал — принтер напечатал — физика рассудила» даёт результат вне экрана: итог испытания устанавливается физикой, а не вендором, поэтому оценка превращается в замкнутый цикл «спецификация, конструкция, печать, испытание». Показательно и то, что такой контур собирается одним энтузиастом без специального оборудования: для физической проверки спроектированного агентом изделия достаточно 3D-принтера. При этом AGENT WARS — авторское видеошоу одного человека, а не стандартизированный бенчмарк, и ценность выпусков состоит не в рейтинге моделей, а в качественном сигнале о способности агентов доводить инженерную задачу до физически работающего результата.

Почему это важно для индустрии

Для индустрии это ранний, но содержательный бизнес-сигнал: агентные задачи с физической верификацией вскрывают огромную дифференциацию фронтир-моделей там, где синтетические лидерборды её не показывают, — итогом одной задачи может оказаться и изделие, работающее под нагрузкой, и набор деталей, который невозможно собрать в работающую конструкцию. Независимые испытания формата «спроектируй и урони» дают проверку вендорских заявлений, где итог определяет физика, а не вендор, и делают разрыв моделей в инженерных агентных сценариях публично видимым. Для фаундеров это время наблюдения: независимые испытания стали дешёвым и мощным каналом влияния на выбор моделей, но прямого денежного рынка вокруг них пока нет, влияние репутационное. Если серия продолжится и появятся повторения от других энтузиастов с фиксированным протоколом, то есть с одинаковым филаментом, стандартизированными высотами сброса и рамой нагрузки, несколькими прогонами на модель и публикацией промптов, формат «спроектируй — изготовь — урони или нагрузи» может оформиться в признанную дополнительную категорию оценки моделей. В дальней перспективе, а это прогноз, а не установленный факт, физически верифицируемые замкнутые циклы проверки могут дорасти до полустандартизированных форматов оценки наряду с кодовыми и агентными бенчмарками и породить новые продуктовые категории: инженерных ассистентов с проверкой изделия в замкнутой петле, испытательные стенды как сервис для вендоров и брендов и интеграции ИИ-агентов с производственным оборудованием.

Почему это важно для пользователей

Для читателя главная ценность составляют сами видео: каждый эпизод существует в виде короткого вертикального ролика, около 1:50 в третьем выпуске и около 1:19 во втором, а в посте Tips AI оба видео доступны с переводом. На экране наглядно видно, насколько по-разному модели решают одну и ту же инженерную задачу, поэтому серия служит ориентиром, если вы выбираете модель для проектирования, CAD-генерации или работы с 3D-печатью. Слабый, но настоящий внешний сигнал пока в пользу Claude Opus 5.5, которая выиграла оба физических выпуска подряд; однако, если ваши задачи связаны с генерацией конструкций под 3D-печать, опирайтесь в первую очередь на собственные испытания с материальными ограничениями, а чужие ролики используйте как отправную точку. Новые выпуски выходят в аккаунте @rpnickson в X, четвёртый эпизод уже анонсирован.

Что пока неизвестно / ограничения

Методология серии не опубликована: неизвестны точные промпты, число попыток на модель, настройки генерации, версии API и параметры принтера, в том числе высота слоя и сопло; не оговорено и то, имели ли модели доступ к CAD-инструментам или симуляции. Печать и сборку выполняет сам автор, и это добавляет человеческий фактор, из-за которого часть разрыва между результатами может объясняться качеством ручной работы, а не замыслом модели. Режимы испытаний между эпизодами различаются: во втором выпуске указан режим High, в третьем режим в источнике не оговорён. По каждому эпизоду у модели есть только одна попытка, поэтому строгих выводов о превосходстве моделей сделать нельзя. Наконец, сильную формулировку о том, что физический результат нельзя подкрутить, как лидерборд, стоит уточнять: подкручивается не результат, а дизайн испытания — выбор промптов, настроек слайсинга, поверхность и точка сброса, — а в источнике не раскрыты и практические данные вроде стоимости генерации, латентности, параметров API и повторяемости.

Источники

Автор

Look at AI, редакция