Исследователи из Sakana AI и MIT предложили новую стратегию для игры Core War, основанную на эволюционных процессах и противоборствующей динамике. В качестве оптимизационного алгоритма был использован MAP-Elites, который ищет множество различных эффективных решений, а не одно идеальное.
Для генерации новых бойцов и улучшения существующих программ на языке Redcode была применена модель GPT-4.1 mini (gpt-4.1-mini-2025-04-14). Это позволило заменить случайные мутации кода символами на интеллектуальные правки.
Тестирование проводилось с использованием 96 тренировочных и 317 тестовых противников, созданных людьми. Для анализа эффективности использовались поведенческие дескрипторы: общее число порожденных потоков и суммарный объем памяти воина в течение симуляции.
Результаты показали, что с ростом числа эпох воины становятся более универсальными и устойчивыми к стратегиям, которые они не видели ранее. Авторы пришли к выводу, что метод DRQ способствует сходному поведению программ при сохранении разнообразия в их базовых реализациях.
Для предсказания исхода боя авторы применили линейную регрессию с использованием OpenAI text-embedding-3-small и OpenAI text-embedding-3-large. Было установлено, что код воина частично определяет его эффективность, но итоговый результат зависит от динамики боев.