In een interview dat op 30 oktober 2026 verscheen, zei Alexandre Moufarek, directeur van het Inception Team bij Google DeepMind, dat het onderzoek met SIMA 2 in EVE Online zich nog in een vroeg stadium bevindt. Samen met Fenris Creations werkt het team volgens hem in offline-sandboxomgevingen, niet op live multiplayerservers.
Google DeepMind kondigde SIMA 2 op 13 november 2025 aan als een beperkte onderzoekspreview, met vroege toegang voor een kleine groep academici en gameontwikkelaars. Het is een onderzoeksagent voor virtuele 3D-werelden.
Wat SIMA 2 ziet en hoe het handelt
Het technische rapport van het SIMA Team beschrijft een agent op basis van een fijn afgestemd Gemini Flash-Lite-model. SIMA 2 krijgt periodiek RGB-videobeelden in 720p en bedient een game via 96 standaardtoetsen, muisklikken en stapsgewijze muisbewegingen. De agent krijgt geen bevoorrechte toegang tot de interne spelstatus. Het technische rapport beschrijft daarnaast een optionele combinatie met een afzonderlijk Gemini Pro-model, dat op een lager tempo instructies voor redeneringen op hoger niveau kan geven.
De officiële demonstratie van Google DeepMind toont SIMA 2 in verschillende virtuele werelden, met tekstoverlays waarin de agent zijn plannen verwoordt.
In Space Engineers voert SIMA 2 opdrachten uit om te navigeren, ijs te boren, de inventaris te openen en steen te delven. De tech-tree-voortgang die in het technische rapport wordt beschreven, hoort bij ASKA, een andere game.
SIMA 2 is de agent die in een wereld handelt; Genie 3 is een afzonderlijk wereldmodel dat omgevingen genereert om de agent in te testen. Voor een verwant DeepMind-wereldmodel: ons eerdere artikel over Genie 4 en interactieve werelden.
De verbetering gebeurt tussen trainingsrondes
De leerloop in het technische rapport is een trainingsproces dat zich over meerdere rondes uitstrekt. Gemini stelt taken voor; een afzonderlijk Gemini-gebaseerd beloningsmodel beoordeelt de afgelegde trajecten met een score van 0 tot 100. De onderzoekers tellen een score van 50 of hoger als succes. De opgebouwde ervaring uit die trajecten wordt gebruikt bij volgende trainingsrondes.
In een vaste reeks taken in ASKA steeg het aandeel taken met een voldoende score van minder dan een kwart naar alle taken, na opeenvolgende verbeteringsrondes. In een afzonderlijke voortgangsproef bouwde de agent binnen een uur een schuilplaats. Dit beschrijft verbetering tijdens training, niet leren dat zich vanzelf voltrekt terwijl iemand gewoon speelt.
Wat de tests meten en waar de grenzen liggen
SIMA 2 voltooide taken in 26 van de 50 categorieën van MineDojo, een benchmark voor Minecraft. MineDojo en ASKA waren niet gebruikt voor de training en werden apart geëvalueerd. Binnen de geteste trainingsomgevingen rapporteerde Google DeepMind bovendien dat SIMA 2 het gemiddelde taak-succespercentage van SIMA 1 ongeveer verdubbelde. Die uitkomsten horen bij de beschreven tests en hun taken, niet bij een algemene maat voor intelligentie.
Het rapport noemt uitdagingen bij langdurige opdrachten die meerdere stappen en controle van het einddoel vragen. Ook het korte interactiegeheugen, precieze toetsenbord- en muisbesturing en het begrijpen van complexe scènes blijven lastig. Het beschrijft daarnaast voorbeelden met schetsen, emoji’s en opdrachten in onder meer het Frans, Duits en Mandarijn. Dat zijn demonstraties van invoermogelijkheden, geen belofte dat elke taal of opdracht betrouwbaar werkt.
