Um programador utilizou o Claude Code para desenvolver um simulador de vela e decidiu transformar o projeto numa competição entre alguns dos modelos de inteligência artificial mais avançados do mercado. O resultado foi uma corrida virtual em que Gemini, GPT-6 Astra, Claude Opus e Qwen tiveram de controlar embarcações utilizando apenas informações sobre o vento, velocidade e direção.
A experiência, partilhada nas redes sociais e destacada pelo XDA Developers, teve um vencedor inesperado: o Gemini 4 Argon, da Google, que conseguiu completar o percurso mais rapidamente e com um custo de utilização inferior ao dos principais concorrentes.
O projeto demonstra como os agentes de programação estão a permitir desenvolver aplicações complexas e criar novas formas de testar as capacidades dos modelos de IA.
Simulador desenvolvido com Claude Code
O criador da experiência, conhecido como Abhishek, recorreu ao Claude Code para desenvolver praticamente todos os componentes do simulador.
A ferramenta da Anthropic ficou responsável por produzir o código necessário para representar a física das embarcações, o comportamento do vento, a superfície da água, os elementos gráficos tridimensionais e o sistema de controlo.
O desenvolvimento incluiu ainda uma interface que permite ligar diferentes modelos de inteligência artificial ao ambiente virtual.
Esta abordagem demonstra a evolução das ferramentas de programação com IA, capazes de executar tarefas que vão além da simples geração de pequenos fragmentos de código.
O programador continuou responsável por definir os objetivos e avaliar os resultados, mas grande parte da implementação técnica foi realizada pelo assistente.
Cada modelo tinha de controlar o próprio barco
A competição colocou quatro modelos perante o mesmo desafio: completar um percurso de vela, ajustando continuamente a direção da embarcação e a posição das velas.
A cada cinco segundos de tempo simulado, os participantes recebiam 23 valores numéricos com informações sobre o estado da embarcação e as condições ambientais.
Entre os dados disponíveis encontravam-se a velocidade, orientação do barco, direção do vento e localização do próximo ponto do percurso.
Com base nestas informações, cada modelo tinha de decidir o ângulo do leme e das velas.
O simulador interrompia a passagem do tempo enquanto os modelos processavam as informações, evitando que diferenças na velocidade de resposta influenciassem diretamente os resultados.
Nenhum participante recebeu instruções específicas sobre técnicas de navegação, tendo de encontrar autonomamente uma estratégia para aproveitar o vento.
Gemini venceu e GPT-6 Astra ficou em segundo
O Gemini 4 Argon conseguiu completar o percurso em primeiro lugar, com um tempo de 783 segundos.
O GPT-6 Astra terminou na segunda posição, aos 899 segundos, enquanto o Claude Opus 5.5 não conseguiu completar o percurso dentro do limite estabelecido.
O modelo Qwen3.5-9B acabou por encalhar durante a tentativa.
A experiência também revelou diferenças nos custos de utilização. Segundo os valores apresentados pelo criador, cada execução com Gemini custou aproximadamente 0,78 dólares, contra 3,58 dólares no caso do GPT-6 Astra.
Esta diferença torna-se relevante em aplicações que exigem numerosas decisões sucessivas, onde o custo acumulado das chamadas aos modelos pode tornar-se significativo.
Uma experiência interessante, mas não um teste definitivo
Apesar dos resultados, a corrida não constitui uma avaliação científica suficientemente abrangente para estabelecer qual dos modelos é superior.
O desempenho pode variar dependendo das condições da simulação, das instruções utilizadas e do número de tentativas realizadas.
Ainda assim, a experiência ilustra uma possibilidade interessante: utilizar ambientes virtuais para avaliar a capacidade dos modelos de tomar decisões sucessivas perante problemas físicos.
Em vez de responderem apenas a perguntas ou resolverem exercícios de programação, os sistemas tiveram de adaptar constantemente as suas decisões às consequências das ações anteriores.
É uma abordagem que poderá ganhar importância à medida que os agentes de IA forem utilizados em simulações, robótica e outras aplicações que exigem interação contínua com um ambiente.
Outros artigos interessantes:
