GPT-5.6 Sol, tam bir Factorio koşusunu 13,5 saatlik oyun süresinde otonom olarak tamamladı

Ne oldu

31 Ekim'de Hacker News'in ana sayfasına çıkan Ryan Madden imzalı bir blog yazısı, GPT-5.6 Sol'un fabrika kurma oyunu Factorio'nun tam bir koşusunu tamamladığını bildiriyor. Codex içinde düşük düşünme seviyesiyle çalışan model, sakin modda — oyunda biters denen düşman yaratıkların bulunmadığı modda — 13,5 saatlik oyun süresinde oyunu tamamladı ve koşuyu, bir oyunu bitiren roket fırlatmasıyla sonlandırdı. Denemenin tamamının timelapse görüntüsü YouTube'da; Madden ise daha uzun bir yorum videosunun hazırlandığını söylüyor.

Model gerçekte nasıl oynuyor

Agent, oyunun grafik arayüzüne hiç dokunmuyor. Madden'ın kurulumu, modele programatik olarak komut verebilmesi için küçük bir kütüphane sunan bir oyun yöneticisi kullanıyor — bu koşuda Python, önceki denemelerde Bash kullanılmıştı. Önemli bir nokta: harness, insan oyuncunun karşılaştığı kısıtlamaları aynen uyguluyor; buna karakterin sınırlı erişim mesafesi ve savaş sisi de dahil. Böylece agent haritanın tamamını aynı anda göremiyor ya da üzerinde işlem yapamıyor. Koşu yöneticisi ayrıca boyunca üretim istatistiklerini kaydetti ve Madden, modelin yol boyunca geçtiği bilim-arştırma kilometre taşlarıyla işaretlenmiş toplam kaynak üretimi grafiğini yayımladı.

Nerede tıkandı

Madden başlangıçta model mavi bilim aşamasına ulaştuğunda denemeyi durdurmayı planlıyordu, ancak Sol başta beklenenden iyi performans gösterince denemeye devam etmesine izin verdi. Mavi bilim aşamasında beklediği ölçeklenme sorunları nihayet ortaya çıktı, yalnızca öngörülenden daha geç geldi ve modelin göreli ilerlemesini epey yavaşlattı. Son roket fırlatması yalnızca Sol'un Madden'ın "önemli ölçüde elle çaba" olarak nitelendirdiği bir yaklaşım sayesinde gerçekleşti: model, oyun sonundaki fabrikasını yeniden yapılandırmak yerine, üretimi ayakta tutmak için birbirinden kopuk üs bölümleri arasında defalarca malzeme taşıdı.

Önceki nesille karşılaştırma çarpıcı. GPT-5.5 ile yapılan denemeler çok daha temel bir eksiklik yüzünden başarısız oldu — model, Factorio oynanışının merkezindeki taşıyıcı bant sistemi olan transport belt'leri hiç kullanmamıştı. Madden bu çalışma hattının parçası olarak oyunu oynayan Claude Code ile yapılan önceki denemeleri de belgeledi ve Faketorio adlı bir test ortamı geliştirdi.

Neden önemli

Birkaç saat ve binlerce adım ötede duran bir hedefe tutarlı ilerlemeyi sürdürmek, AI agent'ların en zorlu açık sorunlarından biri ve Factorio bunun alışılmadık derecede okunabilir bir testi olmaya başladı. Madden'a göre oyun programlamaya benzetilebilir ama sıradan gözlemciler için çok daha kolay takip edilebilir; bu da modellerin gerçekte nelerde iyi ya da kötü olduğunu tartışmalarını somutlaştırmak için kullanışlı kılıyor. Buradaki başarısızlık biçimi başarı kadar bilgilendirici: model çalışan bir fabrika kurup büyütebiliyordu ama ölçeklenmesi durmuş bir fabrikayı yeniden tasarlayamıyordu ve sistemik çözümler yerine ham güç lojistiğine başvuruyordu. Yerel yeterlilik ile uzun vadeli planlama arasındaki bu boşluk, tam olarak statik benchmark'ların gözden kaçırdığı şey. Madden sıradaki adımda başka modelleri, başka düşünme seviyelerini ve düşmanların etkin olduğu koşuları test etmeyi planladığını söylüyor.