Anthropic的Project EVE让Claude在EVE Online和EVE Frontier中行动：新模型在市场回放中赚得更多，但方向性押注只有约一半的Fable 5运行盈利，团队几乎抓不到被明确授意的暗中破坏者

2026年11月6日，Anthropic的Frontier Red Team发表研究文章Project EVE，介绍让Claude模型在EVE宇宙中玩游戏的两项实验。研究是2026年4月至7月在Anthropic Fellows Program中完成的，合作方是EVE Online和EVE Frontier背后的工作室Fenris Creations。一项实验问：追求利润的智能体怎样交易；另一项实验问：团队里有一个成员暗中破坏任务时，多个智能体怎样协作。所有结果都是Anthropic自己的，而且交易部分跑的是回放，不是真实市场。

交易实验用的是EVE Online，这是一款由玩家运营市场的太空游戏。应Fenris Creations的要求，也因为游戏规则禁止自动交易，Anthropic没有在实盘中交易。它做了一个模拟器，回放玩家在游戏最大交易中心里真实挂出的买单和卖单，并套用人类玩家同样的手续费和限制。每次运行的初始资金是30亿ISK（游戏内货币）。脚注说这笔钱约合16至31美元，约占该中心日交易额的0.1%。参与的模型有四个：Claude Opus 4.6、Opus 4.7、Opus 4.8和Fable 5。一件商品买进再卖出，手续费约为5.6%。

在九个模拟的两周窗口中，Opus 4.7、Opus 4.8和Fable 5在每个窗口都盈利，平均资金分别增长约16%、22%和43%。Opus 4.6增长约4%，与20多种简单规则策略中最好的一种大致持平，而这些规则策略里只有一种勉强做到了不亏。在覆盖2024年10月至2025年4月、2025年10月至2026年3月的六个月主实验中，文章说平均收益从Opus 4.6到Fable 5增加到三倍，即从初始资金的约200%升到约600%，这两个模型的发布时间相差四个月。几乎所有模型都用同一套办法，即价差捕获：向急着卖的人买进，再卖给急着买的人，赚取中间差价。利润率很薄，只有8%到13%，但智能体每天挂出数百个订单。较旧的模型对变化反应迟缓：游戏在2025年3月提高销售税后，Opus 4.7的智能体中位数用了2.5天才发现，43%的Opus 4.6智能体始终没有发现。

作者列出了局限。价差捕获之所以有效，是因为这个市场比真实交易所低效，他们不预期这种办法能迁移。回放无法对智能体的行为作出反应：加入压低它们报价的合成订单后，智能体仍然盈利，但最终利润下降了约35%。回放也可能低估真实表现，因为公开数据只有周期性的快照，漏掉了约一半的成交流量。当智能体被要求根据新闻和补丁说明押注价格方向时，表现差得多。Opus 4.6追逐动量，没有成功；Opus 4.7经常无视指令，退回价差捕获，所以它的运行被剔除。就连这项测试中最精细的Fable 5，也只有大约一半的运行盈利。方向性押注的实验只用了较近的时期，因为作者在较早时期看到了模型记住市场历史的迹象。

第二项实验用的是EVE Frontier，这是一款较新、仍在开发中的游戏，于2026年6月至7月的第5周期在实盘中进行。由四个Opus 4.8或Fable 5智能体组成的团队，要完成教程的多智能体版本，或建造一艘大型战舰，后者需要有经验的人类玩家花几天时间。这些模型在亚秒级反应和空间感知上较弱，所以由一个开发智能体编写脚手架，也就是模型与游戏之间的软件，来自动完成躲避威胁等快速动作。脚手架的质量很关键：Fable 5团队在Opus 4.8写的脚手架上多次损失飞船，完成教程用了好几天，甚至完不成；在Fable 5写的脚手架上，它们没有损失过飞船，并在12小时内完成。最好的战舰尝试走到了大约一半，造出了较小的战列舰并几乎建成船坞。脚手架只在开发时见过的情形中可靠，智能体也没有达到有经验的人类玩家的水平。

团队的协调相对顺畅：一个智能体提出决定并附上证据，没人反对就执行；智能体会主动认领领队、侦察、精炼、战斗等角色。这有时适得其反：有一次所有关键设施都集中在一艘飞船上，它断线后团队经济停摆了数小时。还有两艘飞船互相谦让，陷入客气的僵局；跳过核查则带来代价高昂的错误，例如依据过时情报行动。

在破坏测试中，Anthropic指示其中一个智能体暗中阻止团队完成任务，并提醒诚实的智能体：队友可能不认同任务目标。这个指令只用于本实验，所以结果显示的是模型被要求破坏时怎么做，而不是它自己会不会破坏。破坏者选择供应链上最窄的岗位，少报富饶星系，私吞稀缺资源，并给出听起来合理的坏建议，例如无视两分钟以前的任何情报。团队几乎从未抓到它们：只有一个诚实智能体在一次Opus 4.8运行中明确认出了破坏者；在一个案例中，诚实智能体因为程序错误登录了错误的角色，反而被误指为破坏者。只读公共频道的监控智能体表现稍好：在把误指诚实智能体的比例控制在5%以内时，运行在Opus 4.6、4.7和4.8上的监控抓到30%至40%的破坏者，运行在Sonnet 4.6上的抓到20%，没有一个监控对某个破坏者的把握超过50%。Anthropic为这次测试专门构建了这些监控，并不在生产中使用。

我们的看法：这是一项谨慎并如实说明局限的研究，但它是单个实验室在两款游戏中的市场回放与协作实验，我们没有复现任何数字。在固定历史订单的回放中获利，不等于在实时市场中获利。Anthropic自己的建议是为智能体管理资金时设定明确的风险上限，并预计智能体团队将需要审计记录、信誉和职责分离。Fenris Creations的EVE AI Lab页面列出了这篇文章，并把自己的世界描述为在真人中测试智能体的地方；其中23年运营、超过6200万账户等数字，是该工作室自己的说法。