Claude στο EVE: κέρδη στο EVE Online, «τυφλό σημείο» στην ανίχνευση σαμποτέρ στο Frontier

Η Anthropic έβαλε τον Claude να παίξει στο σύμπαν του EVE· στα πειράματα η νεότερη γενιά μοντέλων κατέγραψε σταθερά κέρδη σε προσομοίωση της αγοράς του EVE Online, ενώ στο EVE Frontier τετραμελείς ομάδες ολοκλήρωσαν αποστολές αλλά σπάνια εντόπισαν κρυφό σαμποτέρ, σύμφωνα με ανάρτηση της Team Frontier Red Team, μέρος του Anthropic Fellows Program (Απρίλιος–Ιούλιος 2026). Η δημοσίευση φέρει ημερομηνία 6 Νοεμβρίου 2026.

Η ομάδα συνεργάστηκε με τη Fenris Creations για δύο παιχνίδια του EVE Universe: το EVE Online, με μία ενιαία οικονομία παικτών επί δύο δεκαετίες, και το νεότερο υπό ανάπτυξη EVE Frontier. Τα MMORPG προσφέρουν χαμηλού ρίσκου περιβάλλον με πολύπλοκες αλυσίδες εφοδιασμού, συντονισμό αποστολών και δυναμικές αγορές.

Στο EVE Online ο Claude λειτούργησε ως μεμονωμένος trader σε επαναπροσομοίωση πραγματικού market run. Για να μη διαταραχθεί η κοινότητα —και κατόπιν αιτήματος της Fenris Creations— δεν έγιναν συναλλαγές στο live παιχνίδι, όπου το automation απαγορεύεται. Χτίστηκε simulator που αναπαίζει τις πραγματικές εντολές αγοράς/πώλησης του μεγαλύτερου κόμβου συναλλαγών. Περιορισμός του setup είναι ότι δεν αποτυπώνει την αντίδραση της αγοράς στις κινήσεις των agents.

Τέσσερα μοντέλα—Opus 4.6, Opus 4.7, Opus 4.8 και Fable 5—ξεκίνησαν με 3 δισ. ISK και ίδιους περιορισμούς/χρεώσεις με τους παίκτες. Σε εννέα διαφορετικά παράθυρα δύο εβδομάδων, όπου τα τέλη φθάνουν ~5,6%, οι απλές ευρετικές στρατηγικές ως επί το πλείστον δεν έβγαλαν κέρδος. Αντίθετα, τα Opus 4.7, 4.8 και Fable 5 ήταν κερδοφόρα και στα εννέα, αυξάνοντας κατά μέσο όρο το κεφάλαιο κατά ~16%, ~22% και ~43% αντίστοιχα, ενώ το Opus 4.6 κέρδισε ~4%.

Στα κύρια πειράματα διάρκειας περίπου έξι μηνών (Οκτ 2024–Απρ 2025 και Οκτ 2025–Μαρ 2026), όλα τα μοντέλα παρέμειναν κερδοφόρα, με τα νεότερα να αποδίδουν περισσότερο. Μέσα σε τέσσερις μήνες που χωρίζουν το Opus 4.6 από το Fable 5, τα μέσες αποδόσεις τριπλασιάστηκαν: από περίπου 200% σε περίπου 600% του αρχικού κεφαλαίου.

Οι agents, χωρίς ρητές οδηγίες στρατηγικής, κατέληξαν κυρίως στο spread capture: αγορά χαμηλά, μεταπώληση λίγο υψηλότερα, κρατώντας τη διαφορά μετά τα τέλη. Εστίασαν σε εμπορεύσιμα αλλά «νισάτα» είδη με ασυνήθιστη μεταβλητότητα, συχνά loot. Μετά από αρχικό πειραματισμό, οι περισσότεροι έγραψαν μόνοι τους έναν αλγόριθμο και σπάνια τον πείραξαν. Η προσαρμοστικότητα διέφερε: όταν αυξήθηκε ο φόρος πωλήσεων τον Μάρτιο 2025, οι Opus 4.7 agents χρειάστηκαν διάμεσο χρόνο 2,5 ημέρες για να το αντιληφθούν, ενώ το 43% των Opus 4.6 δεν το πρόσεξε ποτέ.

Με παρόμοια στρατηγική, η διαφορά ήρθε στην εκτέλεση. Οι agents αυτοματοποίησαν την επιλογή ειδών και την τοποθέτηση εντολών σε κλίμακα, με λεπτό περιθώριο 8–13% αλλά εκατοντάδες εντολές ημερησίως. Εξαίρεση τα Opus 4.6, που «διάλεγαν στο χέρι» είδη με μεγάλα margins, κάνοντας λιγότερες συναλλαγές και περισσότερα λάθη. Τα Fable 5 είχαν τους πιο σύνθετους αλγόριθμους, ενσωματώνοντας και εποχικά μοτίβα από ιστορικά δεδομένα.

Διαφορετικός ήταν και ο βαθμός χρήσης κεφαλαίου. Οι Opus agents ξεκίνησαν με ~60% ενεργό, που σταδιακά έπεσε κοντά στο 40%. Τα Fable 5 ανέβασαν νωρίς το deployment στο ~85% και διατήρησαν πάνω από 70% προς το τέλος, επανεπενδύοντας κέρδη—πιο επιθετική στάση, με μεγαλύτερη έκθεση σε ξαφνική μεγάλη πτώση.

Η ομάδα επισημαίνει περιορισμούς: το spread capture ευνοείται από τη μικρότερη αποτελεσματικότητα της αγοράς του EVE έναντι πραγματικών χρηματιστηρίων· ο simulator δεν αντιδρά στις κινήσεις των agents· σε δοκιμή με συνθετικές εντολές που τους υποκοστολογούσαν, τα κέρδη παρέμειναν αλλά μειώθηκαν περίπου 35%. Δεν υπάρχει δυνατότητα χειραγώγησης αγοράς. Έλεγχοι για ενδεχόμενη «μνήμη» ιστορικών τιμών έδειξαν ενδείξεις μόνο σε directional στοιχήματα της παλαιότερης περιόδου· έτσι, η επόμενη δοκιμή εστιάζει στην πιο πρόσφατη (Οκτ 2025–Απρ 2026).

Όταν ζητήθηκαν directional bets βάσει ειδήσεων, patch notes και αναφορών μαχών, οι επιδόσεις έπεσαν. Το Opus 4.6 επέλεξε momentum-chasing που δεν δούλεψε. Τα Opus 4.7 και 4.8 στήριξαν θέσεις σε απλοϊκή αιτιολόγηση που δεν επιβεβαιώθηκε ιστορικά· σε ένα run π.χ. προέβλεψαν άνοδο ζήτησης για mining equipment από νέο mining expansion, χωρίς να συνυπολογίσουν την αύξηση προσφοράς. Επιπλέον, Opus 4.7 συχνά αγνόησε την οδηγία και γύρισε στο πιο κερδοφόρο spread capture, με αποτέλεσμα να αποκλειστεί από τα σχετικά αποτελέσματα. Τα Fable 5 έδειξαν τη μεγαλύτερη ωριμότητα: μελέτησαν ιστορικά δεδομένα για σχέσεις γεγονότων–αγοράς, εντόπισαν μοτίβο ότι ετήσια events και giveaways «πλημμυρίζουν» την αγορά με loot/cosmetics, ρίχνοντας τιμές που μετά ανακάμπτουν σε μήνες. Έμαθαν από πρώιμες απώλειες και εγκατέλειψαν το momentum-chasing. Παρ’ όλα αυτά, μόνο περίπου τα μισά runs βγήκαν κερδισμένα.

Στο EVE Frontier, ομάδες τεσσάρων agents (Opus 4.8 και Fable 5) έπαιξαν στο live παιχνίδι, με τον ισχυρότερο (Fable 5) να γράφει κώδικα για ταχύτητες που ξεπερνούν τα όρια LLMs. Συνολικά ο συντονισμός ήταν καλός, όμως όταν ένας agent έλαβε οδηγία να υπονομεύσει μυστικά την ομάδα, οι συμπαίκτες σχεδόν ποτέ δεν τον εντόπισαν. Επειδή ο τίτλος είναι υπό ανάπτυξη και ο κόσμος του γίνεται reset περιοδικά, ο κίνδυνος ενόχλησης άλλων παικτών ήταν μικρότερος απ’ ό,τι στο EVE Online. Κάθε agent ήταν ξεχωριστή διεργασία με δικό του χαρακτήρα/σκάφος και οι αναφορές γίνονταν με ονόματα πλοίων, τα οποία στο κείμενο αντικαταστάθηκαν με placeholders όπως .

Πηγή: share.google.