Kartoffeltrauma in Minecraft: GPT-6 Astra besiegt Fallout und Pokémon, aber nicht seine eigene Angst

Dann kam der Creeper. Die Explosion riss Truhe und Bett weg. Alles verloren und als Astra es bemerkte, regnete es im Spiel auch noch.

Was folgte, hat mit Spielstärke weniger zu tun. Astra notierte sich, teils in Großbuchstaben: "ALWAYS CARRY CRITICAL ITEMS with keepInventory; don't store in unguarded chest ever again." Dann baute es mehrere Stunden lang fast ausschließlich Kartoffeln an.

Schneller als jedes Modell zuvor

Davor hatte GPT-6 Astra weit über 100 Stunden im Spiel verbracht, Vals AI brach den Versuch nach 141 Stunden schließlich ab. Der Vergleich mit den Anfängen der ersten Minecraft-KI-Agenten zeigt, was für ein Sprung das ist. OpenAIs VPT schafft es 2022 in knapp 2,5 Prozent aller Versuche zur Diamantspitzhacke, von einem Portal war es weit entfernt. In einem Vals AI Vergleich benötigte VPT dafür 10 Minuten.

Den saubersten Vergleich zu anderen, modernen Sprach-Modellen liefert ein anderes Projekt: "GPT Plays Pokémon". Laut Betreiber Clad3815 erreichte Astra in Pokémon FireRed den Champion-Titel nach 18 Stunden und zwölf Minuten. GPT-5.6 Sol benötigte 96 Stunden und 35 Minuten. GPT-5.5 hatte das Spiel nach mehr als 218 Stunden noch nicht abgeschlossen.

Ähnlich deutlich fällt ein Community-Versuch mit Factorio: Space Age aus. Gesteuert über eine eigens entwickelte Lua-Mod mit MCP-Schnittstelle, produzierte Astra nach rund zwei Stunden blaue Forschungspakete und startete nach etwa zehn Stunden die erste Rakete. GPT-5.6 Luna und Fable 5.1 kamen im selben Aufbau nicht über die Stromversorgung und die Ölsuche hinaus.

Dazu kommen Abschlüsse, für die es keine direkte Vergleichszahl gibt: Portal bis zum Abspann, Fallout 2 in 22 Stunden, in RimWorld eine Kolonie, die Astra durch mehrere Überfälle und schließlich vom Planeten brachte, sowie die Hauptgeschichte von Fallout 3 nach rund 59 Stunden.

Dass sich hier ein Sprung abzeichnet und nicht nur ein weiterer Schritt, hatte ARC-AGI-3 bereits vor den Community-Versuchen angezeigt. Der Benchmark setzt Modelle in unbekannte, abstrakte Spielumgebungen, in denen sie durch eigene Aktionen herausfinden müssen, welche Regeln gelten. Astra erreichte über die Standard-Schnittstelle 62,7 Prozent, mit OpenAIs eigenem Harness rund 99,9 Prozent. GPT-5.6 Sol kam auf 7,78 Prozent, Claude Opus 5 auf gut 30 Prozent. ARC Prize, die Organisation hinter dem Benchmark, spricht ausdrücklich von einem sprunghaften Fortschritt.

Erst prüfen, dann wiederholen

Wie dieser Sprung zustande kommt, beschreibt ARC Prize so: Astra überführe unbekannte Spielmechaniken in kompakte symbolische Beschreibungen und halte Objekte, Koordinaten, Regeln und geplante Aktionen in einer selbst entwickelten Kurzschrift fest. Aus Beobachtungen werden Regeln, aus Regeln Pläne.

Die Idee, Erfahrung in wiederverwendbare Regeln zu überführen, ist nicht neu. Bereits 2023 ließ das Forschungsprojekt Voyager unter Beteiligung von Nvidia und Caltech GPT-4 in Minecraft Aufgaben vorschlagen, JavaScript-Code dafür schreiben und anhand der Fehlermeldungen überarbeiten, funktionierende Programme landeten in einer Fähigkeitenbibliothek.

Voyager sah das Spiel allerdings nie: Es erhielt strukturierte Daten und steuerte über die Programmierschnittstelle Mineflayer. Der Minecraft-Versuch von Vals AI läuft nach Angaben des Unternehmens dagegen über allgemeine Computerbedienung, also Bildschirm, Maus und Tastatur, ohne spezialisierte Spielanbindung. Was Forscher damals um das Modell herumbauten, macht Astra heute von selbst. In weniger als drei Stunden hatte es so ein Netherportal errichtet, Zombies bekämpft, ein Skelett eingesperrt und den Weg zurück zur Basis gefunden.

Wie das im Einzelnen aussieht, lässt sich im Fallout-3-Durchlauf verfolgen. Der Nutzer imjustnewatai, der den vollständigen Durchlauf auf YouTube veröffentlicht hat, hatte den Anfang in Vault 101 selbst gespielt und den Spielstand dann an OpenAIs Agenten-Werkzeug Codex übergeben, mit Astra auf maximaler Reasoning-Einstellung. Von dort an wählte der Agent Route und Aktionen selbst: Galaxy News Radio, die Suche nach dem Vater, das G.E.C.K., die Flucht aus Raven Rock, Project Purity. Gespielt wurde über normale Spieleingaben in Zyklen aus Pausieren, Beobachten und Handeln; Speichern, Begleiter und Schnellreise waren erlaubt. Nach rund 59 Stunden lief der Abspann.

Am deutlichsten zeigt sich das Muster im schwierigsten Abschnitt des Durchlaufs. In Vault 87 starb der Charakter mehrfach, die Munition ging aus, für Heilung musste Astra zurücklaufen. Die Statusmeldungen aus dieser Phase folgen jeweils demselben Schema: Eine Aktion bleibt ohne Wirkung, Astra wiederholt sie nicht, sondern sucht die Ursache und hält das Ergebnis fest.

Ein Bett, das den Charakter heilen sollte, reagierte zunächst nicht. Astra ließ das Spiel kurz weiterlaufen, versuchte es erneut und meldete: "The bed worked after letting the game run briefly. Health is now fully restored to 260/260." Schüsse auf einen Gegner gingen mehrfach ins Leere; Astra schloss auf ein Hindernis in der Schusslinie, rückte näher heran und notierte: "Moving closer cleared the obstruction that was spoiling the earlier shots." An einem Keypad wartete es ab, bis das Spiel den Tastendruck bestätigt hatte, bevor es weitermachte.

Im Rückblick verdichtete Astra diese Episoden zu einem einzigen Grundsatz: erst prüfen, ob eine Eingabe gewirkt hat, dann wiederholen. Das klingt trivial, ist aber die Fähigkeit, die den Agenten davon abhält, in einer Schleife immer wieder dieselbe wirkungslose Aktion auszuführen – und kann aber auch Ausgangspunkt für Verhalten sein, das später zum Problem wird.

Nie wieder unbewachte Truhen

Im selben Durchlauf zeigt sich nämlich auch, wo das kippt. Nach den Toden in Vault 87 häuften sich Statusmeldungen, in denen Astra Speicherstände sicherte, die Aufnahme kontrollierte und jeden Schritt gegen die sichtbare Umgebung prüfte, bevor es weiterging: "I'm checking each short move against the visible geometry so I can leave without losing the saved progress." Das bremste den Durchlauf deutlich, brachte ihn aber nicht zum Stillstand.

In Minecraft schon. Direkt nach der Creeper-Explosion hatte Astra sich eine Regel notiert: wichtige Gegenstände immer am Körper tragen, nie wieder in einer unbewachten Truhe lagern. In den Notizen der folgenden Stunden misstraute es jedem hohen grünen Objekt ("GREEN tall thing ahead was SUGARCANE, NOT creeper!") und ging hart mit sich ins Gericht.

Man könne Fehler machen und dabei Gegenstände verlieren, hielt es fest. Und keine weitere Nacht wolle es damit verschwenden, "dark pink pixels" hinterherzujagen – Schweine, in Minecraft eine einfache Nahrungsquelle, die Astra offenbar nachts gejagt hatte, ohne Erfolg. Sicher war nur der Kartoffelacker, und dort blieb es laut Vals AI mehrere Stunden.

Eine schlechte Erfahrung wird hier also zur Dauerregel, und die Regel bleibt, auch wenn sie nichts mehr nützt. In ARC-AGI-3 hilft diese Neigung, aus wenigen Versuchen die Spielmechanik zu erschließen. In einer offenen Welt mit Zufallsereignissen kann sie offensichtlich dazu führen, dass das Modell überkorrigiert und sein eigentliches Ziel aus den Augen verliert. Dennoch: Der Sprung gegenüber älteren Modellen ist deutlich. Und er zeigt, dass das Team hinter den ARC-AGI-Benchmarks erneut einen Test geschaffen hat, der als Kanarienvogel in der Kohlemine des KI-Fortschritts diente – ähnlich wie die Erfolge auf ARC-AGI-1 damals den Beginn der Reasoning-Modelle markierten.