Gemini Flash, 테트리스에서 Opus 상대로 66% 승률 달성!

모델은 테트리스(Tetris) 게임의 각 상황에 맞는 최적화 함수(Optimization Function)를 생성하고, 게임 진행에 따라 전략을 지속적으로 개선(Continuous Improvement)한다. 특히, 현재 보드 상태를 분석하여 알고리즘을 업데이트하고, 최적의 수를 선택하기 위해 코드 생성 및 실행(Code Generation and Execution)을 반복한다. 이러한 접근 방식은 LLM의 코딩 능력을 활용하여 시각적 추론(Visual Reasoning)의 한계를 극복하려는 시도로 해석된다.

Gemini Flash는 Opus를 상대로 66%의 승률을 기록했으며, 테스트된 5개의 모델을 상대로는 평균 66%의 승률을 보였다. 이는 Gemini Flash가 가격 대비 성능(Price-Performance) 측면에서 경쟁력이 있음을 시사한다. 하지만, 일부 사용자는 테트리스의 무작위 조각 생성 방식, 회전 방식 등 게임 플레이(Game Play)에 대한 개선점을 제안하며, 모델의 성능 향상을 위한 추가적인 노력을 요구했다.

커뮤니티에서는 모델의 작동 방식에 대한 구체적인 정보 부족(Lack of Detail)을 지적하며, 게임 진행 방식을 PGN과 같은 형태로 표현하는지, ASCII 표현, JSON 구조를 사용하는지 등 데이터 표현 방식(Data Representation)에 대한 질문이 제기되었다. 또한, LLM을 활용한 테트리스 AI의 실질적인 의미(Practical Significance)에 대한 의문을 제기하며, 다른 LLM과의 비교를 통해 얻을 수 있는 결론의 타당성(Validity of Conclusion)에 대한 의문을 제기했다.

일부 사용자는 테트리스 게임의 무작위 조각 생성(Randomization) 방식에 대한 개선을 제안했다. 특히, 모든 조각을 가방에 넣고 하나씩 꺼내는 7-bag 시스템(7-bag system)과 같은 방식을 제안하며, 조각의 무작위성(Randomness of Pieces)을 높여 게임의 공정성을 확보해야 한다고 주장했다. 또한, 회전 방식(Rotation Method)에 대한 개선을 통해 사용자 경험을 향상시킬 수 있다고 제안했다.