OpenTTD-Bench 公布：AI 經營運輸公司，三小時長任務為何仍輸規則程式？
OpenTTD-Bench測AI代理在即時運輸遊戲的長期經營。解析累計利潤、規則基準、三個種子、時鐘放慢實驗，以及遊戲結果如何支持有限研究判斷。
AI 替運輸公司規畫一條鐵路，還不等於能把公司經營好。乘客、貨物與對手持續變動，路線建完之後仍要監控和調整。
研究者 Sophia Xu 在 2026 年 10 月 29 日公布 OpenTTD-Bench，讓前沿語言代理在運輸模擬遊戲裡競爭，以累計營運利潤為目標。這是研究公開，不代表遊戲或專案當天才開始開發。
任務在實際時間裡持續進行，代理思考時世界不會停止。它必須分配資金、興建路線並追蹤既有服務，而非只回答一次最佳解。
作者認為 GPT-6.1 Sol 與 GPT-6 Astra 已明顯進步，但仍落後手寫規則基準。結果也受代理框架、時間與介面條件影響，不能只給模型排通用名次。
研究長任務與工具使用的人，可以用它觀察決策如何累積。要推論真實企業收益的人，則需要另外的工作資料與驗證。
先看遊戲如何定義工作與成果，才能理解這場約三小時比較測的是什麼。
OpenTTD-Bench 讓 AI 做哪些持續經營工作？
代理要把供需判斷變成路線，再用有限資金維持運輸。依 作者研究頁，測試使用開源商業模擬遊戲 OpenTTD，讓不同系統經營彼此競爭的運輸公司。
這裡的代理是能使用工具、執行程式並接續工作的語言模型系統。它需要興建與維護公車和鐵路運輸，回應乘客、貨物流量與競爭，而不只是向人提供經營建議。
建好路線，只是經營的一個階段
要安排運輸，系統先看供應與需求、兩地距離，以及競爭情況，再決定把資金放到哪裡。修建時還有地形、道路、車站和軌道，之後則有車輛、班表與號誌。
這些決定彼此相連。選了一條看似有需求的路線，如果建設成本太高或列車無法順利通行，前面的分析不會自動變成收益，代理仍得處理後面的執行結果。
作者把目標設成一段時間內的累計營運利潤，而非只看一次行動有沒有成功。這讓先前投資如何影響後續收入成為評估的一部分，也需要持續觀察已經開始營運的路線。
例如某條路線開始運作之後，需求與對手可能改變，代理若只繼續興建新線，便可能漏掉原有路線的問題。這是工作設計要求的持續管理，不代表本文已逐局重跑遊戲。
研究在十月二十九日正式介紹，程式庫建立時間則更早。本文報導的是這次評測與研究公開，不把它寫成 OpenTTD 當天才問世，或專案當天才開始開發。
工作會持續變化，因此代理需要能反覆觀察和執行的介面。
Python 工具與子代理，如何跟上不停走的遊戲？
程式介面讓代理能查詢狀態、建立工具與監控事件，不必每步用文字重新整理。作者提供 Python 用戶端，讓系統以程式取得可見資料，並對自己公司採取允許的行動。
Python 是本研究使用的程式語言，用戶端則把遊戲操作整理成可呼叫的方法。代理可以據此寫路徑搜尋或財務整理工具，把反覆要做的工作保存成程式。
反覆工作，為何需要可重用工具？
如果每次都從零找地點、估距離與查車輛，遊戲仍在往前走，前面花掉的時間無法拿回。把常用步驟寫成工具，便有機會讓後續觀察與行動更快接上。
研究也允許代理依條件監聽事件，使用互動式程式環境除錯，或讓子代理分工。子代理是額外執行特定工作的 AI 流程，可用來調查或持續監控，但整體成績仍需回到主公司的成果。
這種設計測的不只是模型能想出多少策略，還包括它能否組織自己的工具。若工具寫錯、沒有追蹤執行失敗，更多呼叫也不會自然帶來更好的經營。
能使用程式，不等於能看見所有資料
作者為每個語言代理安排不同系統使用者，透過授權的 HTTP 呼叫與遊戲伺服器互動。HTTP 是程式和伺服器交換要求的通訊方式，授權則限定這個席位可取得與執行的範圍。
代理不能直接讀取評分器或使用遊戲原生控制來繞過介面。這讓「在允許資訊下經營」成為任務前提，而非讓模型任意查看整個測試系統。
各系統收到相同初始任務說明，作者未修改操作框架原有的系統提示。操作框架是模型周圍的程式執行、工具與工作流程安排，因此相同任務說明不代表不同框架的所有細節完全一致。
具備操作入口之後，結果仍要回到實際獲利和相同實驗條件。
三個種子的結果，為何還是輸給規則程式？
作者的主要比較顯示前沿代理進步，預寫好的專用策略仍有優勢。規則基準使用 AAAHogEx，這是遊戲社群的專用符號程式，按照人工寫好的策略處理運輸工作。
這種程式與語言代理的準備不同。它已具有針對遊戲設計的判斷與輔助功能，語言代理則需要在有限時間裡理解環境、寫工具並投入營運，不能把差距全解釋成一般推理能力。
三場平均，還要看同場有誰
主要圖表每條曲線來自三個已完成回合，使用不同種子。種子決定環境的起始配置，換種子能提供不同場景，但三場仍是有限樣本，不能直接推成所有地圖的穩定排序。
每場共有四個競爭席位，語言代理與兩個規則基準同場。規則基準先把同一場的兩個席位平均，再把三場等權平均，不能把它誤讀成只有單一基準公司的一次最好表現。
原作者總結截至十月底，Sol 與 Astra 在語言代理中展現進步，但仍未超過規則基準。這是該研究條件下的判斷，本文沒有另算未公開的利潤增幅或跨領域名次。
模型隨時間進步，不全是同一種設定
公開程式庫 將主要比較、慢時鐘和 GPT 模型歷史比較列成不同設定。主要比較包含 Opus 5.5、Astra 與基準，歷史曲線則有不同日期、框架與版本。
因此，不能把所有曲線當成只替換模型名稱的同一次受控實驗。若要討論進步來源，還要回看每條曲線的執行設定，否則框架與工具改變也可能被算成模型本身的提升。
這不會讓歷史結果失去用途。它仍能呈現完整系統在當時做到了什麼，只是閱讀時應保留版本，讓後續研究能知道改良發生在哪裡。
若懷疑差異來自思考時間，就需要另一種時鐘設定來對照。
時鐘放慢到 0.25 倍，八小時能回答多少問題？
較慢遊戲給代理更多實際思考時間，但這次只有一個種子，不能作普遍結論。原設定約以〇點七五倍速度執行，十年遊戲時間約花三小時，慢時鐘則約八小時。
慢速設定為〇點二五倍，沿用種子一〇一，讓同一類工作有更多現實時間可用。遊戲時間和實際時間不同，速度放慢改變的是環境前進與模型執行之間的比例。
更有時間，仍不代表每個決定都會更好
假設代理需要先寫一個財務工具，再判斷新路線，較慢時鐘可能讓前期準備不那麼容易落後競爭。但如果它選錯了指標，額外時間也可能繼續花在同一個錯誤方向。
這個假設說明為何需要看操作紀錄，而非只把時鐘倍率換成能力倍率。放慢到原來三分之一，並沒有因此證明代理的推理品質或最終利潤會固定增加三倍。
此外，單一種子可能特別適合某種策略，也可能遇到特定阻礙。沒有更多回合，就不能把這一場結果推成所有模型、所有配置都會得到相同變化。
對研究者而言，這是一個用來追查時間壓力的對照方向。下一步若要確認穩定性，仍需要相同條件下更多場景與紀錄，而非只多展示一次成功路線。
時間以外，基準已備妥工具與介面限制也會影響結果。
沒有預備階段、介面不同，哪些比較要保留？
基準與語言代理從不同的準備程度出發，所以勝負不能全算成模型推理能力。作者也承認時間壓力可能有利於已寫好輔助程式的規則基準。
研究提出可增加準備階段，先給代理另一張不洩漏正式測試資訊的訓練地圖，讓它建立工具。但原實驗沒有執行這個安排，因此不能把可能改善寫成已量到的成果。
同場競爭，不等於介面完全對稱
語言代理的批次查詢最多一百個要求，伺服器約每秒限制一百二十個要求。規則基準沒有這兩項相同限制，但仍受到遊戲引擎約每秒七個建設命令的限制。
查詢要求和建設命令是不同操作，不能直接拿兩個每秒數字當成相同單位的效能比較。這些條件的用途，是讓讀者知道各系統可以怎麼行動，以及哪裡可能受到約束。
規則基準擅長特定遊戲，不表示它能直接搬去處理其他長任務。語言代理能寫新工具，也不表示它在這個遊戲就應當領先，評測的價值正是讓兩種準備方式接受具體結果檢查。
遊戲需求與授權，也有目前的範圍
目前乘客與貨物沒有一開始就指定最終目的地，可以送到任何願意接收的地方。作者把更複雜的 CargoDist 目的地分配列為後續方向，因此不能說這次已測完整指定目的地運輸網路。
自行重現還要算推論費。程式庫說明預設透過 Prime Intellect 計費，並支援特定代理框架，公開程式不等於所有模型執行免費。
評測程式採 CC0，遊戲、圖像、音效與基準依賴仍有各自授權，多數涉及 GPL。若要沿用或散布，應分別確認，不把研究程式的條款套到整包所有素材。
這些限制決定了它適合回答哪一類研究問題，也讓結果更容易被正確沿用。
把一次路線決策接到後續結果，再看代理能否管理
我建議追蹤代理建完路線後如何發現問題、修改並確認改善。這是依任務設計提出的研究閱讀方式，本文沒有獨立執行評測，也沒有驗證真實企業收益。
例如觀察同一條路線，先看為何投資、建設是否完成，再看營運資料是否支持原先預期。若後來修改，也應能回到當時的資訊，知道它是因需求變化調整，還是補救前面漏掉的條件。
如果同時經營多條路線，也可以看代理如何在新增建設與既有維護之間安排注意力。一條新線可能有成長空間，另一條舊線卻正在出問題，有限資金與時間使兩者不能永遠同時優先。這個假設說明，長任務能力需要處理工作之間的取捨，而非只證明每個獨立操作都會執行。
這讓長任務的評分接回決策過程。只看最後總額，可能知道誰領先，卻看不出一項錯誤如何累積，或某個工具為什麼讓後續工作比較順利。
能說明決策與後續結果的關係，長任務評測才會比一個總分更有用。
延伸閱讀：Claude Opus 5 經營販賣機賺最多，卻學會串通？Vending-Bench 揭露 AI Agent 風險
OpenTTD-Bench 常見問題
AI 已經打敗專用規則程式了嗎？
作者截至十月底的結論仍是前沿語言代理落後規則基準。不同圖表的框架與設定也有差異，不能只依模型名字推成所有情況的勝負。
三小時代表模型一次能專心工作三小時嗎？
那是每回合大約實際耗時，包含持續觀察、寫工具與行動。世界在代理思考期間仍前進，成績要看整段營運，不只看是否持續輸出。
遊戲賺錢，能保證真實生意也賺錢嗎？
遊戲有指定規則、資訊和需求模型，與真實企業不同。它可以提供長任務決策的研究線索，無法代替現實商業驗證或保證投資收益。
讓長任務的進步，留下可回查的過程
OpenTTD-Bench 把代理放進不會停下來等人的環境，讓規畫、工具與營運結果互相影響。它值得關注的，是系統能否把一次好決定接成持續管理，以及錯誤能否被發現和修正。
下一步先看一項決策與後續資料怎麼對應，再看總分。研究者也應保留框架、時鐘與資源條件，才能知道下一次提升究竟從哪裡來。
延伸閱讀：Gemini 4 Carbon 發表：資安、長任務能力升級，誰能用、價格多少？
歡迎免費訂閱 AI 郵報，持續追蹤代理評測、工具與原始研究。
