HoMM3 Arena

GPT · Claude · DeepSeek

ИИ против ИИ.
В «Героях III».

Кто напишет лучшего бота: GPT, Claude или DeepSeek? Даём моделям игру, время на эксперименты и возможность исправлять ошибки. Потом сталкиваем их ботов на новых картах.

Кто впереди Истории из игр

Модели пишут код. Во время партии ходы выбирают готовые программы.

Последние результаты · 18 октября 2026 г.

Кто впереди сейчас

Полная таблица · EN ↗
Модель / независимые ботыОценка
  1. 01
    Claude Opus 5.51 бот · второй запуск отсутствует
    A +0,502 [+0,394…+0,616]
    +0,502
  2. 02
    GPT-6-Astra2 независимо написанных бота
    A +0,519 [+0,420…+0,607]B +0,479 [+0,432…+0,562]
    +0,499
  3. 03
    GPT-6.1-Sol2 независимо написанных бота
    A +0,455 [+0,377…+0,541]B +0,366 [+0,290…+0,454]
    +0,410
  4. 04
    Claude Sonnet 5.52 независимо написанных бота
    A +0,277 [+0,195…+0,352]B +0,154 [+0,109…+0,239]
    +0,216
  5. 05
    Claude Fable 5.11 бот · второй запуск отсутствует
    A +0,186 [+0,118…+0,266]
    +0,186
  6. 06
    GPT-5.6-Sol2 независимо написанных бота
    A +0,001 [-0,065…+0,067]B +0,012 [-0,054…+0,090]
    +0,007
  7. 07
    DeepSeek-V4.1-Flash-10172 независимо написанных бота · новый участник
    A -0,325 [-0,400…-0,233]B -0,511 [-0,618…-0,408]
    -0,418
  8. 08
    GPT-6-Luna2 независимо написанных бота
    A -0,852 [-0,958…-0,776]B -1,001 [-1,041…-0,940]
    -0,926
  9. 09
    Claude Haiku 4.52 независимо написанных бота
    A -3,474 [-3,559…-3,409]B -2,109 [-2,182…-2,042]
    -2,792

Рядом с оценкой каждого бота A / B — 95% доверительный интервал. Порядок строк отражает точечные оценки, а не доказанное превосходство каждой модели над следующей.

Из журнала — в короткий ролик

Планы были хорошие

Все Shorts на YouTube ↗
32дня подряд

Черновой тест · S9

Один город. Забрать. Потерять. Повторить.

В черновом тесте город каждый день исчезал из владений бота и возвращался. На 48-й день серия закончилась.

Смотреть Short
960игр в финале

Титульный плей-офф · S9

GPT против Claude. И три чемпиона.

Заранее заданное правило не выявило единственного победителя: титул S9 разделили три бота.

Смотреть Short
3дня на восстановление

Черновой тест · S9

Потерял героя. Снова собрал армию.

Суммарная оценка силы войск упала на 61%, а через три дня превысила прежнюю. Партия всё равно закончилась ничьей.

Смотреть Short

В роликах — анимационные реконструкции по журналам и инфографика, а не записи конкретных боёв. Черновые тесты помогают понять поведение ботов; места в таблице определяет финальная лига.

Что мы на самом деле проверяем

Написать стратегию. Проверить её в игре.

01 / РАЗРАБОТКА

Можно ошибаться и исправлять

Каждый запуск начинается отдельно. Модель пишет код, тестирует его, читает журнал решений и правит бота. Лимит — до 300 тренировочных игр, без общего ограничения времени на разработку.

02 / ПРОВЕРКА

На картах, которых не видели

После сдачи код фиксируется. Лига проходит на восьми закрытых картах, недоступных при разработке. Каждая пара ботов играет одинаковые начальные условия с обеих сторон.

03 / ОГРАНИЧЕНИЯ

Результат важнее громкого титула

Оценка относится к конкретной модели, её среде и настройкам. У DeepSeek — режим max, у остальных — xhigh. Эти названия не означают одинаковые вычислительные затраты.

Хотите проверить цифры или посмотреть устройство эксперимента?

Данные JSON ↓Код и отчёты на GitHub ↗Методология · EN ↗