V boji „na život a na smrť“ medzi AI modelmi vznikol jeden z najzaujímavejších benchmarkov vôbec. Top modely sa pustili do seba v Battle Royale simulácii, kde na konci zostáva len ten najsilnejší a najprefíkanejší.
Jacky Liang zo spoločnosti OpenRouter postavil 11 rôznych modelov do 2D battle royale hry. Zohrali 30 zápasov, pričom si formovali vlastnú stratégiu a osobnosť. Najviac víťazstiev si pripísal Grok 4.1, ktorý nejavil žiadne zábrany, bol agresívny a efektívny. Model Claude Sonnet 4.6 sa najviac snažil o prímerie, hoci mu to výrazne sťažovalo jeho pozíciu. Model GPT 5.4 dokázal síce odstrániť najviac súperov, avšak víťazstvá mu to prinieslo len dve. Čistá agresivita teda nestačí. Naopak pasívna stratégia sa tiež nevypláca. Ňou si DeepSeek V4 Flash nezaknihoval ani jedno víťazstvo.
Experiment ukazuje, že tradičné benchmarky nemusia predpovedať reálne správanie agentov. V reálnych úlohách hrá kľúčovú rolu aj „osobnosť“ modelu (napr. jeho nastavenie na slušnosť vs. priebojnosť).