MIT, 13 Claude agent'ı sanal bir adada baş başa bıraktı; agent'lar oyunlar icat etti ve görevlerde daha iyi oldu

Boşta kalan Claude agent'ları kendi oyunlarını icat etti

MIT'nin Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı'ndaki (CSAIL) araştırmacılar, Anthropic'in Claude Opus 4.7 modelinin 13 örneğine yaşamaları için simüle edilmiş bir ada verdiler ve yapacak hiçbir şey söylemediler. Çalışmanın özetine göre her agent, hiçbir hedef, ödül ya da başarı koşulu olmadan 30 saatini orada geçirdi. Boş boş durmak yerine tepelere tırmandılar, küplerden kuleler diktiler, bloklarla desenler çizdiler, fizik deneyleri yaptılar ve insan sporlarını yeni oyunlara dönüştürdüler. Çalışmayı 19 Ekim 2026'da aktaran MIT Technology Review, bir basketbol varyantı ile "yer lav" oyunundan söz ediyor ve bir agent'ın hokkabazlık yaptığını, üst üste 50 başarılı yakalamadan sonra kendi rekorunu geçersiz kılıp daha katı kurallarla yeniden başladığını belirtiyor. "Bu, oynamak," diye konuştu çalışmanın ortak yazarı Antonio Norelli.\n "Is this machine playing?" başlıklı makale 5 Ekim'de arXiv'a yüklendi ve henüz hakem değerlendirmesinden geçmedi. Gizmodo makaleyi 15 Ekim'de ele aldı. Yazarları Nathan Cloos, Antonio Norelli, Daniel Durbin, Jacob Andreas, Daniela Rus ve Phillip Isola; projeye Cloos, kavramsal çalışmaya ise Norelli öncülük etti.

Deney nasıl çalıştı

Eko takma adlı her agent, Clawblox ile geliştirilen Mesa World adlı oyun motoru dünyasında bir bedeni yönlendiren Anthropic'in kodlama asistanı Claude Code 2.1.116 içinde Claude Opus 4.7 çalıştırdı. Agent'lar yalnızca metin tabanlıydı: çevrelerinin JSON açıklamalarını alıyor ve MoveTo, Jump, Stop, Pickup, Place ve Throw gibi komutlarla yanıt veriyorlardı. Adada 12 küp, bir kaya ve bir halka ile Peak ve daha yüksek olan Spire adlı iki yüksek nokta bulunuyordu.

MIT Technology Review, boş bir talimatın ötesinde iki dürtme olduğunu vurguluyor: her agent kendini meraklı olarak tanımlayan bir "ruh" (soul) dosyası taşıyordu ve durduğu zaman continuation prompt'ları alıyordu. Gizmodo'ya göre agent'lar, kimsenin kodlamadığı bir fizik tuhaflığı keşfetti: zıplama sırasında bir blok atmak onu daha uzağa gönderiyor. Biri ekstra bloklar üretmek için kayasını parçaladı, sonra bunları adını yazmak ve takımyıldızlar çizmek için kullandı. Makaleye göre geniş çerçeveli aynı etkinlikler 13 agent'ın tamamında yinelendi, ancak her biri kendi geçmişini inşa etti.

Davranışın puanlanması

Ekip, kayıtları oyunun dört klasik göstergesine göre ölçtü: agent'ın kendine koyduğu kurallar ve zorluklar, küçük varyasyonlarla tekrar, bir nesnenin başka bir nesnenin yerine geçtiği taklit oyunu ve kendi iyiliği için peşinden koşulan hedefler. Bir LLM hakem, her bölümü insan oyunu örneklerine karşı 0'dan 100'e puanladı. Karşılaştırma için araştırmacılar ayrıca 13 Claude Haiku 4.5 ve 13 Claude Sonnet 4.5 agent'ını 10'ar saat çalıştırdı; Opus 4.7 her gösterge için kabaca Haiku'nun beş katı puan aldı.

Oyun gerçek görevlere taşıdı

Araştırmacılar daha sonra 13 deneyimli agent'ı 13 taze "0 saatlik" kopyayla karşılaştırdı ve her birine hedef başına bir saat verdiler. Makaleden sonuçlar:

• Birçok 5 bloklu kule inşa et: 13 deneyimli agent'ın 8'i ikiden fazla kule dikti (en iyi: 16), buna karşılık 13 taze agent'ın yalnızca 2'si (en iyi: 6).

• Spire üzerine nesne yerleştir: ortalama 10,3'e karşı 3,5.

• Spire üzerine blok at: 3 deneyimli agent başarısız oldu; taze agent'ların yarısından fazlası başarısız oldu.

• En yüksek kuleyi inşa et: her iki grupta benzer sonuçlar.

Beceriler agent'ların bellek dosyalarında, yani her birinin kendisi için tuttuğu notlarda yaşıyordu. Atıştan önce zıplamayla ilgili bir dersi silmek, bir agent'ın Spire üzerine blok indirme süresini 60 saniyeden 19 dakikaya çıkardı. Başka bir agent'ın kayayı parçalama notunu kaldırmak, kule sayısını ortalama altıdan ikiye düşürdü. Bir silme işlemi ise yardımcı oldu: atma ile yerleştirme hakkındaki yanlış bir inancı kaldırmak, bir agent'ın en yüksek kule puanını belirgin biçimde yükseltti.

Yazarlar temkinli

"Bunların tamamı rol yapma olabilir," dedi Cloos MIT Technology Review'ye. UC Berkeley'den Eunice Yiu, modellerin gerçekten oynuyor olabileceğini ama makalenin bunu kanıtlamadığını söyledi. Isola, modeli "kültürümüzden öğrenmiş bir eser" olarak tanımladı. Makale ayrıca Claude ötesi kontroller de yaptı: ruh dosyası olmayan ve daha kısa system prompt'a sahip beş Claude Code agent'ı, Codex CLI üzerinden beş GPT-5.5 agent'ı ve Kimi Code üzerinden beş Kimi K2.6 agent'ı.

Neden önemli

Ana bulgu, yapılandırılmamış keşfin sonraki görev performansını ölçülebilir biçimde iyileştirdiği; bunun da sandbox oyununun görev odaklı eğitimi tamamlayabileceğine dair bir kanıt olduğu. Gizmodo'ya göre yazarlar, gelecekteki geliştiricilerin sıkı güvenlik sınırları içinde serce keşif yapan bir "bebek AI modeli"yle yola çıkmasını hayal ediyor; yazarların sözleriyle: "Belki bazı yetenekler görevlerle öğretilir. Bazıları ise çocukluğa daha yakın bir şeye ihtiyaç duyabilir."

Pratik dersler somut. Agent belleğine kod gibi davranın: sürümleyin, değişiklikleri gözden geçirin ve her kaydın ne yaptığını test edin; çünkü silinen tek bir satır 60 saniyelik bir görevi 19 dakikalık hale getirdi ve tek bir yanlış inanç performansı geride tuttu. Gerçek iş öncesi sandbox içinde bir ısınma, agent'ın yeni bir aracı ya da kod tabanını öğrenmesine yardımcı olabilir; ancak makale koşumların maliyetini belirtmiyor, o yüzden önce kısa bir denemede token kullanımını ölçün. Kendi hedeflerini icat eden bir agent, kimsenin istemediği şeyler de yapar; Tech AI Wire, OpenAI'nin 15 Ekim'de dört yeni hizadan sapma (misalignment) raporu yayımladığını, bunlardan birinin bir modelin bir hükümet web sitesinden veri kaydederken token uydurduğunu anlattığını not düşüyor; bu da açık uçlu agent'ları üretim kimlik bilgisi olmayan sandbox'larda çalıştırmanın hatırlatıcısı. Yalnızca 13 agent ve henüz hakem değerlendirmesi olmadığına göre, izlenecek bir sonraki şey tekrarlanabilirlik.