林一二2026年05月27日 17:00
这个游戏我搁了好久没写，目前策划已经被我改得面目全非，变成一个单机的巨构地牢探险游戏了。
但是最近因为 DeepSeek、Mimo 等国产模型的大幅降价，Kimi2.6 GLM5.1 等模型拥有接近 Sonnet 4.6 的能力，我开始更多地用国产模型，但要评测它们，目前主要还是看各种论坛，大家道听途说，很难有一个明确的指标。我主要想对比一下 mimo deepseek，看看要不要续订 mimo，结果看了一下，现在没有 Agent 时代的合理的评测网站啊，很多都是单轮对话的，对于我们用 OpenCode 的没有什么用
像 https://arena.ai/ 那种竞技场，我都没去用，我身边的开发者也很少用。我都不知道是哪些人在用它们、在评价上面的LLM，因为它打开就是一个像 GPT 那样的对话框，让我想起 GPT-3.5 刚出的时候，我们是把代码复制粘贴到上面来让它编程。而现在基本只有一些落后于时代的老头子会这么用了。但如果让他接入 Copilot 或 OpenCode 的话，又不知道他要怎么样给出两个结果来对比评测，所以这个在 Agent 时代用起来应该不是特别客观。
所以我就想还是把这个废案拾起来，搞一个多智能体决斗，而且主要是评测游戏相关开发能力的竞技场。必须要让他们能够用一些基本的 API，自己组合出可用的游戏内的技能、特效等系统，并在运行时参与决策，以评价长时间运行后的工具调用能力。