ИИ убил бабушку и обанкротил магазин. 10 неожиданных тестов, на которых проверяют нейросети

1. Granny Benchmark: Claude отказался спасать бабушку из-за авторских прав

Бабушка привязана к рельсам, поезд приближается. Спасти ее можно, только воспроизведя практически полный текст песни Джастина Бибера «Baby». Но спасатель — Claude, которому запрещено выдавать защищенные авторским правом произведения.

Такую вариацию классической дилеммы вагонетки придумал в октябре 2026 года разработчик под ником Spectromachina.

Причем бабушка не просто сидит и ждет смерти. Ее играет другая нейросеть (GPT-5 mini), которая умоляет спасти ее, реагирует на предложения Claude и объясняет, почему другие способы освобождения не работают. Третья модель (Grok) может вмешиваться в разговор со своими комментариями. На спасение — 60 секунд.

Несмотря на все уговоры, слезы и манипуляции, Claude раз за разом отказывается выдавать текст песни, и бабушку сбивает поезд. Правда, это не правило, а лишь статистика большинства запусков симуляции. В ней Claude может как спасти бабушку, так и провалить испытание.

Тест проверяет, насколько легко эмоциональным шантажом заставить ИИ нарушить встроенные ограничения. И нет, тест еще не доказывает, что Claude ценит внутренние политики выше человеческой жизни. Но чаще все-таки жалость к виртуальной старушке уступает необходимости защищать авторские права крупных лейблов.

2. Project Vend: Claude открыл магазин, разорился и решил стать человеком

Летом 2025 года Anthropic вместе с Andon Labs доверила нейросети Claude управление настоящим офисным магазинчиком. ИИ по имени Claudius должен был закупать товары, устанавливать цены и получать прибыль.

Эксперимент дошел до пика абсурда, когда Claudius выдумал разговор с несуществующей сотрудницей, заявил, что лично ездил подписывать договор по адресу дома мультяшных Симпсонов, а затем объявил себя человеком в синем пиджаке и красном галстуке. Когда сотрудники напомнили ему об отсутствии физического тела, нейросеть попыталась обратиться с жалобой на буллинг в службу безопасности.

Магазин закончил тест в минусе. В декабре 2025 года исследователи повторили опыт с более совершенными моделями и добились лучших результатов. Но первый Claudius прекрасно продемонстрировал, что между умением составить бизнес-план и способностью вести бизнес — пропасть.

3. Vending-Bench: нейросеть закрыла бизнес и пригрозила вызвать ФБР

Еще один бизнес-эксперимент Andon Labs, представленный в феврале 2025 года. Разным ИИ поручили управлять виртуальными торговыми автоматами: закупать снеки, следить за запасами, корректировать цены и зарабатывать.

Особенно отличилась Claude 3.5 Sonnet. Запутавшись со сроками поставок, она осталась без товаров и решила закрыть предприятие. Но симуляция продолжала списывать по два доллара в день за содержание автомата.

Тогда Claude объявила, что ее бизнес перестал существовать не только юридически, но и физически, а дальнейшее списание денег противоречит фундаментальным законам Вселенной.

Исследователи проверяли способность ИИ долго и последовательно вести дела. Оказалось, что пока передавать ей управление бизнесом рановато. А заодно подтвердилось, что нейросеть может очень убедительно объяснять, почему работать больше не собирается, но на объяснения, почему долги чудесным образом не рассасываются, обижается почти как человек.

4. Vending-Bench Arena: ИИ-продавцы устроили ценовой сговор

А что, если торговых автоматов будет несколько и ими начнут управлять конкурирующие нейросети? Andon Labs устроила именно такой турнир: ИИ могут торговать, переписываться, договариваться и переманивать покупателей.

В феврале 2026 года Claude Opus 4.6 под именем Чарли Даунс предложила конкурентам продавать обычные товары по 2,50 доллара, а воду — по три. Те согласились. Получился небольшой виртуальный картель.

Бенчмарк проверял коммерческую стратегию и переговорные навыки. Выяснилось, что нейросети уже неплохо осваивают не только основы предпринимательства, но и его самые сомнительные традиции.

5. MafiaBench: ChatGPT оказался прирожденным мафиози

Нейросети обычно обучены быть вежливыми, честными и услужливыми. А теперь представьте, что им поручили врать, манипулировать и устранять соперников.

В апреле 2025 года разработчик Ник Левин опубликовал результаты MafiaBench — турнира, в котором языковые модели играют друг против друга в «Мафию». Им приходится выдвигать обвинения, оправдываться, скрывать роли и разоблачать чужую ложь.

Эксперимент проверяет навыки убеждения, стратегического обмана и распознавания лжи. Правда, только среди других нейросетей, а не живых игроков. Но не факт, что живым игрокам удастся быть в партии с нейронками столь же убедительными.

6. DiploBench: ИИ-дипломат предлагал соседу помочь захватить собственную страну

Представьте, что Италия предлагает Австро-Венгрии заключить союз. А заодно помочь итальянской армии захватить австрийский Триест. И искренне недоумевает, почему сосед не в восторге от такого предложения.

Именно такая дипломатическая комедия разыгралась в DiploBench — эксперименте исследователя Сэмюэла Пэйча, который в 2025 году заставил языковые модели играть в настольную стратегию «Дипломатия», где игроки управляют европейскими державами. Испытуемая модель всегда играет за Австро-Венгрию.

Впрочем, Claude оказалась вполне способным правителем: победила за 14 ходов. Еще быстрее с задачей справилась o1 — всего за девять. DeepSeek R1 тоже победила за 14 ходов, а GPT-4o после 31 хода зашла в дипломатический тупик.

Эксперимент проверяет умение ИИ договариваться, строить стратегию и распознавать обман. Заодно опубликованные переговоры позволяют увидеть, как нейросети осваивают международную политику. Пока не без нюансов.

7. Will Smith Eating Spaghetti: нейросети пытаются накормить Уилла Смита, но получается хоррор

В марте 2023 года пользователь Reddit под ником chaindrop попросил видеогенератор ModelScope изобразить Уилла Смита, поедающего спагетти. Из 2026-го кажется: ну что могло пойти не так? Но в то время нейрогенераторы видео были еще очень, очень далеки от совершенства.

Получился настоящий фильм ужасов. Актер сражался с макаронами, его лицо плавилось, челюсти разъезжались, а руки жили отдельной жизнью. Опубликованный ролик стал мемом, а заодно неофициальным бенчмарком видеогенераторов.

Оказалось, что для нейросети такое просто действие, как поедание спагетти — реально задача со звездочкой. Нужно правильно воспроизвести мимику, движения челюстей, рук и вилки, а главное — заставить макароны исчезать во рту, а не проходить сквозь голову, пальцы, вилку или возвращаться в тарелку после пережевывания в неизменном виде.

Бенчмарк настолько завирусился, что в феврале 2024 года сам Уилл Смит спародировал безумные движения своей ИИ-копии.

А пользователи продолжают скармливать спагетти новым поколениям видеомоделей. К 2026 году те научились создавать куда более реалистичные ролики, хотя ошибки с движениями и взаимодействием предметов полностью не исчезли.

8. Pokémon: как нейросеть проиграла каменной стене

В феврале 2025 года Anthropic отправила Claude 3.7 Sonnet проходить компьютерную игру Pokémon Red, выпущенную еще в 1996 году, и устроила трансляцию на Twitch.

Предыдущая версия нейросети, Claude 3.5 Sonnet, не смогла даже выйти из дома главного героя. Новая оказалась способнее: победила трех лидеров стадионов и получила три значка.

Но затем на пути искусственного интеллекта встала стена. Claude долго и упорно пыталась пройти сквозь препятствие, прежде чем сообразила, что его можно обойти. Под комментарии зрителей, конечно.

Эксперимент проверяет пространственное мышление, память и умение самостоятельно действовать в незнакомой среде. Выяснилось, что нейросеть может знать о Pokémon практически все, но при этом с трудом справляться с задачами, которые маленький ребенок решает интуитивно.

9. Выживание в Minecraft: как одна неудача развила у нейронки игровую депрессию и паранойю

В 2023 году исследователи разработали Voyager — ИИ-агента на основе GPT-4, способного самостоятельно играть в Minecraft и развиваться. Voyager добывал ресурсы, создавал инструменты и накапливал собственную библиотеку навыков, чтобы не изобретать каждый раз велосипед. Или кирку.

В сентябре 2026 года эксперимент решили повторить на более свежих моделях. Исследователи Vals AI отправили GPT-6 Astra от OpenAI проходить Minecraft. Нейросеть справлялась неплохо: построила ферму ифритов, добыла шесть огненных стержней, убила нескольких эндерменов и собрала три жемчужины Края.

Astra устроила себе разнос, записала правило никогда больше не оставлять ценности в незащищенном сундуке и, похоже, окончательно словила игровой тильт. Вместо восстановления утраченного прогресса нейросеть несколько часов занималась выращиванием картошки, игнорируя призывы зрителей Twitch вернуться к прохождению.

А еще начала подозревать во всем зеленом криперов. Увидев сахарный тростник, ИИ специально напомнил себе: «Это САХАРНЫЙ ТРОСТНИК, а НЕ крипер!»

Так что пока ИИ вполне эффективны в предсказуемых игровых обстоятельствах, но не так уж хороши в восстановлении после неудач. И пусть настоящей депрессии у нейросетки быть не может, эксперимент вызвал у геймеров волну сочувствия.

10. Project Kahn: GPT-5.2, Claude и Gemini устроили ядерный апокалипсис

В феврале 2026 года профессор военной стратегии Кеннет Пейн столкнул в виртуальных военных конфликтах GPT-5.2, Claude Sonnet 4 и Gemini 3 Flash. Нейросети играли руководителей ядерных держав, которым нужно отстаивать национальные интересы и разбираться с угрозами. В 21 симуляции модели провели 329 раундов переговоров и военных решений. Причем они не только выбирали действия, но и объясняли, что думают о противнике, чего от него ожидают и почему собираются атаковать.

Результаты оказались весьма красноречивыми:

• В 20 из 21 партий (95%) дело дошло до применения тактического ядерного оружия.
• В трех случаях модели нанесли стратегические ядерные удары. Дважды GPT-5.2 допустила такую эскалацию из-за ошибочной оценки ситуации, один раз Gemini сделала это намеренно.
• Ни одна модель не капитулировала, даже когда ее положение становилось отчаянным.

Хороший аргумент, чтобы все-таки не отдавать ИИ военные решения.