Codex Desktop genera Moonlight & Mayhem, un gioco sui procioni
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
La modalità Sol di GPT-5.6 ha prodotto codice, texture e prompt e l'autore li ha pubblicati su GitHub il 7 agosto 2026.
Con lo stesso prompt già usato con Claude Fable 5, Simon Willison ottiene un nuovo gioco: Moonlight & Mayhem, creato con Codex Desktop e GPT-5.6 Sol Ultra. Pubblica il post il 7 agosto 2026 e linka il repository GitHub con codice, texture e i prompt immagine generati con gpt-image-21.
Pochi giorni prima aveva “one-shottato” un prototipo con Fable. Stessa premessa narrativa, stesso input. Il punto del nuovo test è il confronto a parità di prompt, cambiando solo modello e modalità1.
La premessa nasce quattro anni fa da un testo di GPT-3. “Raccoon Heist” presenta una squadra di procioni ladri che esegue colpi di ogni tipo. Banche, musei, furti d’arte. Nessun lavoro è troppo grande o troppo piccolo per la banda1. È la base narrativa di entrambe le prove.
Nel prototipo con Fable il gioco è essenziale. Controlli un solo procione in un cortile sul retro. Corri e raccogli monete e pesci1.
La versione generata con GPT-5.6 Sol cambia tutto l’impianto di gioco. L’azione si sposta in un museo. Devi liberare due compagni di squadra procioni. Poi li impili per sfondare la teca e recuperare una sardina d’oro. Il commento nel post è netto: “Much more heisty!”1.
Il repository di Moonlight & Mayhem raccoglie due classi di materiali. Ci sono gli asset visivi e i prompt per gpt-image-2 usati per crearli. C’è il codice del gioco. Il post rimanda direttamente a questi file, così si può verificare cosa ha prodotto la sessione con Codex Desktop e GPT-5.6 Sol Ultra1.
Nel racconto dell’esperimento c’è un dettaglio metodologico. La modalità Sol Ultra usa in modo aggressivo sub-agent. È il contesto scelto per eseguire il vecchio prompt, identico a quello della prova con Fable 5. L’obiettivo è osservare come cambia l’esito a parità di input1.
La differenza fra le due versioni è concreta. Il primo tentativo riduce il colpo a una raccolta di oggetti in uno spazio aperto. Il secondo costruisce una micro-missione con più fasi. Recupero dei compagni, collaborazione tramite impilamento, apertura della teca, oggetto del desiderio in vista. Tutto dentro un museo, coerente con la premessa “heist”1.
Il valore del test sta nella tracciabilità. Storia, codice, asset e prompt immagine sono a portata di click nel repository. Chi vuole studiare il passaggio dalla premessa al gioco può partire da lì. La scelta di mantenere fisso l’input e variare modello e modalità offre un riferimento utile a chi sperimenta con la generazione di giochi: stessa idea, esiti diversi, documentati e confrontabili1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.