Der Agent namens Eko ist ein unveränderter Coding-Assistent mit drei Zusätzen: Ein Steuerprogramm startet ihn mit „Begin“ und fordert ihn zum Weitermachen auf, sobald er stoppt; eine Textschnittstelle verbindet ihn mit einer Physik-Insel mit zwölf Würfeln, einem Felsen, einem Ring und zwei Gipfeln; zwei Gedächtnisdateien halten Erlebtes und Wissen fest. Stündlich werden Sitzung und Insel zurückgesetzt, die Dateien bleiben. Eine Startdatei beschreibt Eko als neugierig und schnell gelangweilt.
Trotz gleichem Start entwickelte jeder Agent einen eigenen Verlauf. Einer umrundete ein selbst gebautes Bauwerk, indem er von Würfel zu Würfel sprang, ohne den Boden zu berühren; andere legten Sternbilder aus Würfeln oder spielten Basketball mit dem Ring als Korb. Ob das Spiel ist, prüften die Autoren an Kriterien klassischer Theorien des Spiels wie selbst gesetzten Regeln und Wiederholung mit Variation – die Bewertung übernahm ein Sprachmodell.
Für den Lerntest traten die 13 erfahrenen Agenten gegen 13 Kopien mit leerem Gedächtnis an, je eine Stunde pro Aufgabe. Mehr als zwei Türme aus fünf Würfeln bauten 8 der 13 erfahrenen, aber nur 2 der unerfahrenen Agenten. Auf den höchsten Gipfel brachten erfahrene im Schnitt 10,3 Objekte, unerfahrene 3,5. Beim höchsten Einzelturm gab es keinen Unterschied. Löschten die Forscher bei einem Agenten die Notiz, dass Felswürfe neue Würfel erzeugen, sank seine Turmzahl von sechs auf zwei.
Ein anderer Agent hatte fälschlich notiert, Würfel ließen sich nicht zuverlässig stapeln; ohne diese Notiz baute er höhere Türme. Sechs Agenten fanden heraus, dass ein Wurf aus dem Sprung den Schwung des Sprungs mitnimmt und viel höher trägt – ein Effekt, den die Entwickler ihres eigenen Simulators nicht kannten. Die Stichprobe ist klein, die Welt einfach; zusätzliche Läufe mit GPT-5.5 und Kimi K2.6 umfassten je fünf Agenten. Den Simulator Clawblox haben die Autoren als Open Source veröffentlicht.