一份让AI集体翻车的榜单：Brood War Bench是什么
Brood War Bench是一项针对《星际争霸：母巢之战》的AI评测基准。它让GPT、Claude、Grok三大模型家族的19个选手在云端虚拟机上展开总计171局对战，每局单开一台机器，全程记录游戏数据与模型每一步的思考过程。
评估的逻辑很直接：参赛的全是没有任何星际基础的通才模型，它们靠临场读题、调用工具、现学现卖，每一步都必须先想完才能出手。环境是真实的即时战略战场，没有暂停、没有回合制，对手每一秒都在行动。
参赛模型中表现最好的是GPT-6 Astra，开到最高推理档位xhigh后取得18战全胜、胜率100%；而Grok 4.6在同一档位下2胜15负排在榜尾，最极端的一场对局里它耗时43分钟、消耗11138个推理token、只发出6批指令，最终一个作战单位也没造出来。
思考越多越聪明？榜单给出的答案恰恰相反
Brood War Bench最反直觉的发现是：推理token烧得多，未必换来更强的Agent表现。GPT-5.6 Sol在最高档位下胜率反而垫底，不如medium档；但Astra却在最高档位拿下100%胜率。这种差异背后是一种新能力——模型是否懂得思考是有成本的，以及什么时候该停下来动手干活。
把这种能力差异放大到极致，就出现了两种截然相反的命运：
- Grok 4.6像考场里死磕第一道题的轴学霸：疯狂输出大段战略推理，平均7分多钟才动一次手，钱存在国库里花不出去。G003对局里它造了3个机枪兵始终没能穿越地图，G002对局里2个狂热者同样走不到敌人基地。
- GPT-6 Astra像个满肚子坏招的街痞：它的杀手锏是骚扰——经常只派一个最基础的采矿农民跑到敌人家溜达，战斗力为零却能让对面AI陷入几十秒沉思，基地停摆，等到对手回过神来局势早已失控。
在Astra的内部，管经济的、管造兵的、管打仗的子智能体各干各的，新兵刚造出来就被拉去前线白给，完全不懂集结部队。但只要有人亲自下场当总指挥把子智能体串起来，Astra立刻就懂得攒兵、挑时机。这一细节揭示：让多个AI协作行动，本身就是一道难题。
最像在打星际的是Fable：它老老实实搞经济、踏踏实实发展科技树，在11分半时农民、兵力、建筑、科技几项数据都压着Astra，胜率83.3%排第三。但它太慢——对局时长中位数被拖到10分37秒，比Astra的8分10秒长出一大截。有一局它科技摆满了一桌子，账上躺着2800多块晶矿，却被Claude Opus 5的枪兵一路推平。
账单数据印证了同一结论：Astra开到最高档每分钟只操作12.6次、平均一局10.54美元；换成最低档操作频率翻倍到25.7次，一局反而烧掉21.07美元。最高档出手少一半、花钱少一半、赢得最多。