Een team van onderzoekers heeft JEV-Star ontwikkeld, een nieuwe controller voor het strategiespel StarCraft II die in staat is de sterkste niet-valsspelende ingebouwde AI van het spel te verslaan. Het systeem combineert razendsnelle actieselectie met strategische planning via een geavanceerd taalmodel.
In een recent onderzoek, gepubliceerd op 23 september 2026, presenteren Weiyu Ma en collega-onderzoekers een hybride aanpak voor het besturen van eenheden in StarCraft II. De kern van JEV-Star is de synergie tussen het JEV-model voor directe acties en GPT-6 voor overkoepelende planning. Volgens de publicatie op arxiv.org slaagde het systeem erin om vier volledige wedstrijden te winnen op de moeilijkheidsgraden Lv5 tot en met Lv7, waarbij ook twee overwinningen op het hoogste niveau (Lv7) werden behaald met verschillende seeds.
De architectuur: Snelheid versus Strategie
Het systeem maakt een strikt onderscheid tussen kortetermijnbeslissingen en langetermijnplanning. Voor de directe besturing wordt gebruikgemaakt van Jev, een zogenaamd 'System One'-model van TypeSafe AI. In tegenstelling tot traditionele Large Language Models (LLM's) genereert Jev geen tekst, maar levert het direct gestructureerde antwoorden die software kan gebruiken. Volgens de documentatie van TypeSafe AI zijn System One-modellen specifiek ontworpen voor snelle, gestructureerde beslissingen zonder dat er sprake is van tekstgeneratie of parsing.
In de praktijk vertaalt dit zich naar een mediane responstijd van slechts 0,422 seconden voor de JEV-actieselectie. Terwijl Jev de tactische uitvoering verzorgt, wordt GPT-6 ingezet voor de persistente planning. Deze verdeling zorgt ervoor dat het systeem stabiele legerdoelstellingen kan handhaven en economische doelen kan bewaken, wat essentieel is voor succes in complexe strategische scenario's.
Kosten en Efficiëntie
Een belangrijk aspect van het onderzoek is de kostenefficiëntie van deze hybride aanpak. De gemiddelde geschatte kosten per wedstrijd bedragen ongeveer 3,71 dollar. Hierbij vormt de planning via GPT-6 de grootste kostenpost met 3,56 dollar, terwijl de inzet van Jev slechts 0,15 dollar kost per game, zoals vermeld in de .
Deze kostenefficiëntie wordt verder onderstreept door de eigenschappen van het Jev-model. Zo meldt langchain.com dat Jev tot 200 keer snellere inferentie en 400 keer lagere kosten biedt dan vergelijkbare LLM's bij classificatietaken. Dit maakt het mogelijk om AI-agenten te bouwen die niet worden gehinderd door de traagheid en hoge kosten van traditionele tekstgenererende modellen.
Prestatieverbeteringen
Om de effectiviteit van de combinatie te bewijzen, vergeleken de onderzoekers JEV-Star met een eerdere versie die uitsluitend op Jev vertrouwde. De resultaten tonen een aanzienlijke verbetering in zowel macro-controle als micromanagement van eenheden:
- Eliminatie van vijanden: Over 35 verschillende gevechtskaarten steeg het gemiddelde percentage geëlimineerde vijanden van 16,50% naar 37,69%.
- Winstpercentage: Het aantal gewonnen wedstrijden steeg van 3 naar 7 op een totaal van 105 episodes.
- Uithoudingsvermogen: Waar de standalone-controller tegen Lv2 vastliep op een tijdslimiet van 20 minuten zonder uit te breiden, kon het gecombineerde systeem complexere economische doelstellingen realiseren.
De onderzoekers concluderen dat de praktische scheiding tussen goedkope, subseconde beslissingen en planning op de lange termijn een effectieve methode is voor het besturen van complexe games. De volledige code van het project is beschikbaar gesteld voor verdere wetenschappelijke analyse via de .