Un nuevo benchmark enfrenta a doce modelos de programación por IA en la construcción de cuatro aplicaciones idénticas: un raycaster estilo Doom, un cubo de Rubik en 3D con scramble y solve, una calculadora y el Juego de la Vida. La prueba, publicada como continuación de una edición anterior que llegó a portada de Hacker News, incorpora los tres niveles de GPT-5.6 (Sol, Terra y Luna), el recién lanzado Muse Spark 1.1 de Meta, Grok 4.5, Claude Opus 4.8, Claude Fable 5 y GPT-5.5, junto a cuatro modelos open-weights (Qwen 3.7 Plus, DeepSeek V4 Pro, Kimi K2.6 y GLM-5.2) servidos a través de Fireworks. Cada modelo dispone de cinco intentos por tarea, y se reportan coste total y tiempo medio, además de publicar todos los artefactos generados.
En el raycaster, GPT-5.6 Sol y GPT-5.6 Luna lograron 5/5 intentos jugables, GPT-5.6 Terra 3/5, y Grok 4.5 también 5/5, aunque con menor detalle. GLM-5.2 no consiguió que el personaje se moviese en ninguna ejecución. Claude rindió por debajo de lo esperado. En el cubo de Rubik, Claude Fable 5 fue el único modelo con 5/5 ejecuciones limpias; GPT-5.6 Sol y Terra obtuvieron 4/5 cada uno, y Claude Opus 4.8 fracasó en las cinco. Los autores aclaran que no pretenden emitir un veredicto científico y animan a los lectores a examinar los builds originales.