Epoch AI představila benchmark SpireClimb pro hodnocení modelů ve hrách Slay the Spire a Slay the Spire 2. Modely ovládají grafické rozhraní podobně jako člověk, mohou si vést poznámky a nahlížet do herní wiki. Na základní obtížnosti už přední systémy vyhrávají přes 90 procent pokusů. Nejvyšší obtížnost prvního dílu však zůstává výrazně náročnější: GPT-6 Astra dosáhl 17 procent a GPT-6.1 Sol 20 procent vítězství.
Výsledky pocházejí z patnácti samostatných pokusů na postavu a model. Nejlepší lidští hráči si na maximální obtížnosti udržují úspěšnost přes 80 procent. Autoři upozorňují na chyby při ovládání rozhraní i možné využívání hry při tréninku modelů. Druhý díl proto doplňuje test méně známým prostředím, jeho současná verze je ale celkově snazší.
