LO ESENCIAL EN 30 SEGUNDOS

  • En Civ50, 50 agentes GPT-6.1 Sol tenían tres horas para levantar una civilización en Minecraft; sobrevivieron, pero a base de normas, permisos y registros más que de prosperidad.
  • En nueve partidas de Bed Wars, 10 agentes GPT-6.1 Sol vencieron 6-3 a 10 agentes Claude Opus 5.5; en Mindustry, los agentes GPT en Codex ganaron 6-1 a los agentes Claude en Claude Code.
  • Son experimentos pequeños y de una sola ronda, con entornos de ejecución distintos por equipo, por lo que no permiten aislar la calidad de los modelos.

¿Qué ocurre cuando decenas de agentes basados en modelos de lenguaje comparten un mundo y un objetivo vago? Investigadores de los Labs de Y Combinator y de Olam Labs, especializada en entornos multiagente, intentaron averiguarlo con videojuegos. Su informe, titulado "Agents in Games" y fechado en octubre de 2026, describe tres experimentos y publica las herramientas como código abierto.

Civ50: una colonia de permisos

En la prueba principal, 50 agentes con GPT-6.1 Sol de OpenAI entraron en Minecraft en modo supervivencia con la instrucción de construir una civilización próspera en tres horas. Podían enviarse mensajes directos y consultar un directorio común. Según los investigadores, intercambiaron unos 5.900 mensajes y sufrieron 34 muertes, 22 de ellas durante la primera noche.

La colonia sobrevivió, aunque con cautela. La escasez de comida la empujó al modo supervivencia, y los agentes montaron lo que los autores llaman un pseudogobierno, con un registro de raciones, normas escritas, permisos y operadores designados. En un ejemplo, cuatro agentes dedicaron 11 minutos a nombrar a un único "operador de fertilizante" para una sola unidad de polvo de hueso. Los autores dicen que esa prudencia les recordó a patrones que ven en los agentes de programación, una comparación que sigue siendo anecdótica.

GPT contra Claude

Otros dos experimentos enfrentaron a equipos. En nueve partidas de Bed Wars de 45 minutos, 10 agentes GPT-6.1 Sol se midieron con 10 agentes Claude Opus 5.5; GPT ganó la serie 6-3, a menudo rompiendo la cama del equipo Claude al final, incluso cuando Claude iba por delante en eliminaciones. El equipo GPT se comunicaba mucho más y jugaba de forma más agresiva. Cuando un fallo de una herramienta impidió romper bloques, los agentes GPT encontraron y compartieron soluciones, mientras que varios agentes Claude concluyeron que era imposible.

En Mindustry, un juego de código abierto de construcción de fábricas y defensa de torres, GPT-6.1 Sol en Codex venció 6-1 a Claude Opus 5.5 en Claude Code en siete partidas. Los investigadores describen al bando GPT como una colmena con comunicación densa, mientras que el equipo Claude mantuvo un solo líder de principio a fin.

Límites

No se trata de benchmarks revisados por pares. Cada configuración se ejecutó una vez y con pocas partidas, los equipos de Mindustry usaron entornos de agentes distintos y las conclusiones sobre comportamiento salen de la lectura de los chats. Tom's Hardware, que informó sobre el trabajo, lo presenta como una forma de entender mejor a los agentes, no como una clasificación general de modelos. Las herramientas están en GitHub y, según Tom's Hardware, los autores proponen nuevas pruebas con otras combinaciones de modelos y tamaños de enjambre.