AI 에이전트는 도형 회전기 (shape rotators)일까요? 이 새로운 벤치마크에서, 우리는 모델들이 @zachtronics의 퍼즐 게임인 Opus Magnum의 캠페인 퍼즐을 플레이하도록 했습니다.

아이러니하게도, Claude Opus 4.8은 저조한 성적을 거두었으며, GPT-5.5, Gemini 3.5 Flash, 그리고 GLM 5.2에게 패배했습니다. Claude Fable 5는 이들 모두를 압도했습니다.

이 게임에서 성공하려면, 에이전트는 도형 회전 (shape rotation), 병행성 (concurrency), 그리고 상충하는 트레이드오프 (tradeoffs) 사이의 최적화에 대해 추론해야 합니다. 모든 퍼즐에서 인간의 세계 기록 (world record)에 도달하는 것은 엄청난 업적이 될 것입니다.

에이전트들은 시각 정보 (vision) 없이, 육각형 좌표 (hex coords)를 사용하는 Python REPL을 통해서만 게임을 플레이했습니다.

Opus Magnum은 모델의 능력을 테스트하기 위한 멋진 테스트 베드 (test bed)입니다. 왜냐하면 각 퍼즐은 무한한 솔루션 공간 (solution space)을 가지고 있으며, 일부 솔루션은 다른 솔루션보다 더 높은 점수를 받기 때문입니다. 우리는 인간의 점수와 비교함으로써 품질을 판단할 수 있습니다. 1은 인간의 세계 기록 (WR)입니다.

다음은 Fable 5가 실행 과정에서 퍼즐을 최적화하는 모습입니다:

[IMG:1]

세 모델 모두가 해결한 퍼즐에서, Fable 5 (high)는 더 적은 턴 (turns) 안에 더 나은 솔루션에 도달함으로써 그다음으로 우수한 모델인 GPT-5.5 (xhigh)를 이겼으며, 마찬가지로 Fable 5 (low)를 앞질렀습니다.

[IMG:2]

이 차트는 Fable 5 (high)가 해결한 퍼즐에서 평균적으로 인간의 최고 점수의 80%에 도달했음을 보여줍니다.

[IMG:3]

어떤 언어 모델 (language model)도 36개의 퍼즐을 모두 해결하지는 못했습니다. Fable 5와 GPT-5.5가 가장 우수한 성능을 보였으며, GLM 5.2가 가장 뛰어난 오픈 웨이트 (open weights) 모델이었습니다. 어떤 모델도 인간의 세계 기록을 깨지는 못했지만, 몇몇 모델은 쉬운 퍼즐에서 기록에 근접하거나 일치하는 모습을 보였습니다.