Vannballong-testen: Kritikeragenten som tvinger AI-en til å gjøre jobben om igjen
En kule gjennom en vannballong, med ray tracing og uten et eneste bibliotek. Oppgaven har blitt en uoffisiell test for nye AI-modeller, og demoene sprer seg med skiftende navn på hvilken modell som laget dem. Det mest nyttige er ikke resultatet, men hvordan prompten er bygget opp.
En test som går igjen
Da GPT-6 Astra kom i september, sirkulerte en video av en kule som skjøt gjennom en vannballong – kodet fra bunnen av, med realistisk vann og sprekkende lateks. Vi skrev den gang i artikkelen om Astra og fysikksimulering at vi ikke kunne bekrefte at akkurat den demoen kom fra Astra.
Nå får vi den samme oppgaven tilsendt igjen – denne gangen som et eksempel på hva Claude Opus 5.5 kan. Og det er ikke rart: Vannballongen har blitt en slags standardprøve som folk kjører på hver ny modell. Det betyr også at videoer og skjermbilder lett får feil modellnavn når de deles videre. Uten en lenke til selve kjøringen bør du ta påstander om hvilken modell som «vant» med en klype salt.
Det som derimot er lett å etterprøve, er selve oppgaven. Prompten ligger åpent på GitHub, og den er et godt eksempel på en teknikk du kan bruke selv.
Oppgaven
Kort fortalt ber prompten om en ray tracing-simulering av en kule som går gjennom en vannballong, slik at ballongen sprekker, vannet sprer seg, mister formen og faller til bakken. Du skal kunne fryse animasjonen når som helst og se scenen fra alle vinkler, og justere kulefart, ballongstørrelse, lys og tyngdekraft med glidebrytere. Den skal gå greit i en vanlig nettleser – og det er forbudt å bruke Three.js eller andre biblioteker.
Det er en vanskelig oppgave. Modellen må skrive sin egen 3D-motor, sin egen væskesimulering og sin egen lysberegning. Et av resultatene som ligger åpent på GitHub, water-balloon-sim, er én HTML-fil med vanlig JavaScript og WebGL2, med partikkelbasert vann, refleksjoner, lysbrytning og kaustikk – lysmønstrene du ser i bunnen av et svømmebasseng.
Det smarte: en kritiker som ikke lar seg overtale
Den interessante delen av prompten er ikke selve simuleringen, men hvordan kvaliteten sikres. Byggeren jobber ikke alene. En egen kritikeragent tar skjermbilder av scenen fra flere vinkler og gir karakter for realisme og fysikk fra 0 til 10, med tydelige ankerpunkter:
- 4–7: brukbart, men ville ikke passert som ekte film eller profesjonelle effekter.
- 8 eller mer: svært overbevisende – akkurat som en ekte vannballong som blir skutt.
Får arbeidet under 8, sender kritikeren en rangert liste med det som må forbedres tilbake til byggeren, som prøver igjen. Løkken går i opptil tre runder.
Det er dette råteksten vi fikk inn beskrev: Simuleringen fikk lav karakter flere runder på rad før den ble god. Det er ikke et tegn på at modellen er dårlig – det er nettopp poenget med oppsettet.
Hvorfor det virker
Språkmodeller er dårlige til å vurdere sitt eget arbeid i samme samtale. Spør du «ser dette bra ut?», svarer de gjerne ja. En egen kritiker med egen kontekst, egne instrukser og faktiske skjermbilder – ikke koden – ser resultatet slik en bruker ser det. Tre ting gjør teknikken effektiv:
- Kritikeren ser resultatet, ikke koden. Skjermbilder fra flere vinkler avslører feil som er usynlige i kildekoden.
- Skalaen har ankerpunkter. «8 betyr at det ser ekte ut» er mye vanskeligere å jukse med enn «gi en karakter».
- Løkken har en grense. Maks tre runder hindrer at agenten går i ring og bruker opp budsjettet.
Noen tar det et steg videre og lar kritikeren sammenligne blindt med et ekte referansebilde, i stedet for å spørre om noe «ser greit ut».
Bruk det selv
Teknikken fungerer langt utenfor vannballonger. I Claude Code, Codex eller OpenCode kan du sette opp en underagent i rollen som kritiker, gi den et verktøy for å ta skjermbilder av nettleseren – for eksempel via Playwright – og la byggeren få tilbakemelding til karakteren er høy nok. Det passer for alt som skal se riktig ut: nettsider, grafer, spill og animasjoner.
Gi kritikeren en tydelig skala med eksempler, krev konkrete forbedringspunkter i prioritert rekkefølge, og sett et tak på antall runder og kostnad. Det er samme tankegang som i trinn 3 av Boris Chernys modell: En egen gjennomgangsagent tar over kontrollen du ellers måtte gjort selv.
Ressurser
- Vannballong-prompten på GitHub – den fullstendige oppgaven med kritikeroppsettet
- water-balloon-sim – ett resultat: én HTML-fil med WebGL2 og egen ray tracing
- GPT-6 Astra og fysikksimulering – vår tidligere artikkel om samme demo
