宝可梦主播GPT-5在直播中以9517步的惊人步数通关了《宝可梦水晶》，远低于其他模型如o3的27040步，展现出高效的行动规划和空间推理能力。GPT-5在收集徽章、挑战四天王和冠军等关键环节均表现出色，效率是o3的两倍以上。此前，GPT-5也以3倍于o3的效率通关了《宝可梦红》。OpenAI总裁Greg Brockman对此表示认可。文章还探讨了大模型玩宝可梦的机制，包括系统提示、游戏截图、内存信息、规划能力、按键转换工具、路径规划、上下文清理及自我批评模型等，并指出宝可梦因其对模型上下文、决策和控制能力的综合考验，已成为新的AI评测基准，但高昂的API费用限制了其普及。Google Gemini和Anthropic Claude也曾挑战宝可梦，前者成功通关《宝可梦蓝》，后者则受阻。

✨ GPT-5以9517步的创纪录步数，以远超其他模型（如o3的27040步）的效率成功通关了《宝可梦水晶》，展示了其在游戏过程中的卓越规划和执行能力，尤其在主要剧情推进上效率高出数倍。

🧠 GPT-5在游戏中的高效表现归因于其更少的“幻觉”和更强的空间推理能力，能够有效规划长序列行动并避免迷路，以及更优的目标规划和执行策略，这些优势在《宝可梦红》的通关过程中也得到了体现。

🎮 宝可梦游戏因其对AI模型上下文理解、决策规划和界面控制能力的综合考验，正逐渐成为衡量大模型性能的新基准。AI玩宝可梦的机制涉及多层信息整合、规划、执行和自我纠错，以及辅助工具的使用。

💸 虽然宝可梦已成为AI评测的有力工具，但高昂的API调用成本（例如GPT-5在《宝可梦红》中花费约3500美元）限制了普通用户将其作为常规测试方法的可能性，使得这一“考试”的报名费不菲。

又是一场酣畅淋漓的战斗！

宝可梦主播GPT-5在直播间鏖战一小时，成功击败赤爷（Red），公屏瞬间刷满GG（Good Game）。

根据推特博主Clad3815的最新战报，GPT-5仅用9517步就放倒了赤爷，通关《宝可梦水晶》。

相比之下，o3则用了27040步，所用步数几乎是GPT-5的三倍。

换句话说，GPT-5不吃不喝连肝一周多一点（202小时）就能通关的《宝可梦水晶》，换成o3需要近一个月。

如果把视角拉回到普通人类玩家身上，通关《宝可梦水晶》的时间通常在5天左右（每天8小时）。

基于此，不少玩家已经开始留言，请继续征战下一代宝可梦！

那么，GPT-5是怎么做到的？

赤爷不语，GPT-5登顶宝可梦

在《宝可梦水晶》的剧情中，玩家从小镇出发，选择宝可梦，挑战道馆馆主、收集徽章，阻止火箭队的阴谋，最终迎战最强训练家——赤红（《宝可梦红/蓝》的主角）

而这次，GPT-5就化身小智，成为了新的挑战者——并一举击败赤爷，登顶宝可梦。

除了我们开头提到的，GPT-5仅用了o3三分之一的步数就实现了通关，在《宝可梦水晶》全部的主线任务中，GPT-5也是按照剧情一路平推，效率远超o3好几倍。

（注：在《宝可梦水晶》中，玩家击败boss后仍然可以自由探索收集宝可梦，所以直播还开着。）

例如，在收集全部16枚游戏徽章的主线中，GPT-5仅用了9205步，而o3则耗费了22334步。

更惊人的是，从收集完所有徽章到战胜赤爷，o3还需要近5000步，而GPT-5仅用了312步，加速了十几倍。

同样的，在四天王和冠军的剧情中，GPT-5也是仅花了7329步，而o3则用了两倍多的步数（18115步）。

此外，在通关《宝可梦水晶》之前，GPT-5还被用来通关《宝可梦红》（游戏长度约为《宝可梦水晶》的一半）。

赤爷不语，依旧是3倍的效率碾压。

对此，OpenAI的总裁兼联合创始人Greg Brockman也是亲自转发表示认可！

看到GPT-5的生猛表现，Clad老哥总结了这么几个原因：

幻觉少，速度快：GPT-5的“幻觉”明显比o3少，这也是它速度提升的主要原因。 空间推理强：o3经常试图硬穿墙，复杂区域容易迷路，而GPT-5能规划较长行动序列，几乎不出错，节省大量时间。 目标规划更好：GPT-5在规划自身目标并执行上表现出色。

难道说，GPT-5模型能力的提升，在宝可梦这个舞台上才被完全体现出来？

（让子弹多飞一会儿）

不过，必须说明的是——让大模型玩宝可梦并不新鲜。

早在GPT-5之前，Google的Gemini和Anthropic的Claude就曾挑战过宝可梦。

其中，Gemini 2.5 Pro在今年五月的直播中，成功通关了《宝可梦蓝》，而Claude就比较惨了，至今仍被困于火箭队。

那么问题来了：为啥AI大模型都如此偏爱这款上世纪的怀旧游戏呢？

宝可梦是新的benchmark？

要回答上面的问题，我们得先知道大模型是怎么玩宝可梦的。

一般来说，大模型玩宝可梦的基本步骤如下：

提供一个系统提示，包含关于如何进行游戏的实质性建议 提供带有额外信息叠加的游戏截图 提供来自游戏内存（RAM）的关键信息 提供保存文本以进行规划的能力 提供一个工具，可以将文本指令转换为模拟器中的按键操作 提供路径规划工具 让上下文能够被自动清理并定期总结 一个额外的用来“自我批评”的Critic/Guide模型。它们定期对主模型进行评审，并配备系统提示以帮助主模型避免常见失败模式。

此外，大模型还会专门构建一个带标记的小地图，帮助其在游戏世界里定位，这类似于人类玩家在玩游戏时脑补地图的方式。

综上，我们就获得了一个基本印象：在宝可梦游戏中，大模型通过多层信息整合、规划、执行与自我纠错，实现了接近人类玩家的决策能力。

由此，宝可梦游戏就能作为衡量模型上下文能力、决策规划、界面控制能力的指标之一。

可惜的是，这场考试的报名费可并不便宜。

根据网友分析，在GPT-5通关游戏长度仅为《宝可梦水晶》一半的《宝可梦红》中，就花费了约3500美元（约2万五人民币）的GPT-5 API额度。其中，每个token的花费就达到了4块多人民币。

所以，除非你在OpenAI工作，否则想把宝可梦当作benchmark，还得先掂量一下钱包够不够厚。

参考链接

[1]https://x.com/Clad3815/status/1959856362059387098

[2]https://www.twitch.tv/videos/2549204340?t=0h8m43s

[3]https://gpt-plays-pokemon.clad3815.dev/crystal/game-data

[4]https://www.techradar.com/ai-platforms-assistants/chatgpt/gpt-5-just-completed-pokemon-red-in-a-new-world-record-time-claude-gemini-and-chatgpt-o3-arent-even-close

本文来自微信公众号“量子位”，作者：henry ，36氪经授权发布。