I Built TetrisBench, Where LLMs Compete at Playing Tetris. Here’s What I Found. | Andreessen Horowitz

I Built TetrisBench, Where LLMs Compete at Playing Tetris. Here’s What I Found.

Я создала TetrisBench, где LLM соревнуются в Tetris. Вот что я обнаружила.

I was playing Tetris99 one evening on my Nintendo Switch and started wondering whether I could build a version where I play against an LLM. Not in the sense of proving that a model could “beat” the game, but simply to see what it would feel like to play something familiar against a system that reasons very differently from a human.

Однажды вечером я играла в Tetris99 на своём Nintendo Switch и задумалась: а могу ли я сделать версию, где я играю против LLM. Не в смысле доказать, что модель может «победить» игру, а просто чтобы понять, каково это — играть в знакомое против системы, которая рассуждает совсем не как человек.

At the time, I wasn’t trying to create a benchmark. I didn’t have a leaderboard to climb, or a claim to make. I was mostly curious about the experience itself since Tetris is deceptively simple. At its core, it’s an optimization problem: every move is a tradeoff between what helps now and what keeps you alive later. The entire board can be described cleanly, which means each turn can be represented as structured data rather than pixels. That makes it an unusually good fit for reasoning-first systems, where the challenge isn’t perception, but deciding what to optimize and when.

Тогда я не пыталась создать бенчмарк. У меня не было таблицы лидеров, на которую надо взбираться, или утверждения, которое нужно доказать. Мне было любопытно само ощущение, ведь Tetris обманчиво прост. По сути это задача оптимизации: каждый ход — компромисс между тем, что помогает сейчас, и тем, что позволит выжить дальше. Всю доску можно чисто описать, то есть каждый ход представляется как структурированные данные, а не как пиксели. Это делает игру необычно удобной для систем, ориентированных на рассуждение, где сложность не в восприятии, а в том, что и когда оптимизировать.

When LLMs don’t work, always reframe the problem to coding

Когда LLM не работают, всегда переформулируй задачу в код

My first attempt took that idea very literally.

Моя первая попытка восприняла эту идею очень буквально.

I started by sending the full board state to the model at every turn, encoded as JSON, and simply asked it what move to make next. I began with a set of frontier models: Opus 4.5, GPT 5.2, Grok 4.1 fast reasoning, Sonnet 4, Gemini 3 Flash since they should be strong at structured reasoning and code, and I wanted to see whether raw reasoning ability alone would be enough. 

Я начала с того, что отправляла модели полное состояние доски на каждом ходу, закодированное в JSON, и просто спрашивала, какой ход сделать дальше. Я начала с набора frontier-моделей: Opus 4.5, GPT 5.2, Grok 4.1 fast reasoning, Sonnet 4, Gemini 3 Flash — они должны быть сильны в структурированном рассуждении и коде, и я хотела проверить, достаточно ли одной только способности рассуждать.

To make the experiment more interesting, I set up two simple arenas: one where a human and a model played side-by-side under the same rules, and another where models played each other repeatedly to surface behavioral differences at scale. In the project there’s a “headless mode” where I can have models compete on Tetris using the same engine in batch.

Чтобы сделать эксперимент интереснее, я устроила две простые арены: одна, где человек и модель играют параллельно по одним правилам, и другая, где модели многократно играют друг против друга, чтобы выявить поведенческие различия в масштабе. В проекте есть «headless-режим», где модели могут соревноваться в Tetris на одном и том же движке в пакетном режиме.

In theory, everything the model needed was there: the board, the current piece, and the legal placements.

В теории всё, что нужно модели, было на месте: доска, текущая фигура и допустимые размещения.

In practice, it was terrible:

На практике всё было ужасно:

Left: human, right: Gemini 3 Flash – it had trouble clearing any line when being asked to reason on the board visually

Слева: человек, справа: Gemini 3 Flash — модели было трудно очистить хотя бы одну линию, когда её просили рассуждать о доске визуально

Moves were inconsistent, often nonsensical, and frequently self-destructive. Even strong models struggled to maintain any coherent strategy across turns. The game would fall apart quickly. Plus, the latency really killed the fun of the game as the models took too long to think at every turn. 

Ходы были непоследовательными, часто бессмысленными и нередко саморазрушительными. Даже сильные модели не могли удерживать связную стратегию между ходами. Игра быстро разваливалась. Плюс задержка реально убивала удовольствие от игры — модели слишком долго думали на каждом ходу.

This wasn’t that surprising in hindsight. Language models aren’t trained to reason over large, evolving state spaces in a step-by-step way. They don’t have an internal notion of spatial continuity or a persistent game plan unless you build one explicitly. Asking an LLM to look at a board and pick a move each turn is effectively asking it to solve a planning problem it was never trained for.

В ретроспективе это неудивительно. Языковые модели не обучаются рассуждать пошагово над большими, изменяющимися пространствами состояний. У них нет внутреннего понятия пространственной непрерывности или устойчивого игрового плана, если их явно не построить. Просить LLM смотреть на доску и выбирать ход на каждом шаге — это, по сути, просить её решать задачу планирования, для которой её никогда не обучали.

What they are very good at, though, is writing code.

А вот в чём они действительно очень хороши, так это в написании кода.

Instead of asking the model to choose a move, I asked it to write the logic that decides what a good move looks like.

Вместо того чтобы просить модель выбирать ход, я попросила её написать логику, которая решает, как выглядит хороший ход.

Once I reframed Tetris as a coding problem, everything changed. The model’s task became: given the current board state, generate a scoring function that evaluates possible placements. That function runs deterministically, scores all legal moves, and selects the best one. The model decides if / when it wants to update the function based on the board state. 

Как только я переформулировала Tetris как задачу программирования, всё изменилось. Задача модели стала такой: по текущему состоянию доски сгенерировать оценочную функцию, которая оценивает возможные размещения. Эта функция выполняется детерминированно, оценивает все допустимые ходы и выбирает лучший. Модель решает, нужно ли и когда обновлять эту функцию в зависимости от состояния доски.

With that shift, Tetris became a stable optimization loop. The model wasn’t reacting to the board anymore, it was defining the objective function and letting the system execute it: 

С этим изменением Tetris превратился в стабильный цикл оптимизации. Модель больше не реагировала на доску — она определяла целевую функцию, а система её исполняла:

From Optimization Loop to Benchmark

От цикла оптимизации к бенчмарку

Once it worked reliably, I wanted to know if the models’ different playing style was one-off or consistent. So I started running matches at scale.

Когда это начало стабильно работать, мне захотелось узнать: разные стили игры моделей — это разовое явление или устойчивая закономерность? И я запустила матчи в масштабе.

So I started running model-vs-model matches at scale. Same piece sequence. Same constraints. Same execution loop. The only variable was the model. I ran hundreds of games per pairing and logged everything.

Я начала проводить матчи модель-против-модели в масштабе. Одна и та же последовательность фигур. Одни и те же ограничения. Один и тот же цикл выполнения. Единственная переменная — модель. Я провела сотни игр на каждую пару и логировала всё.

The first thing I looked at was win rate: 

Первое, на что я посмотрела, — это процент побед:

At a glance, the table looks straightforward: some models win more than others. But once you watch the games behind those numbers, it becomes clear that the win rate isn’t just measuring “skill.” It’s capturing something deeper about how each model approaches long-horizon optimization.

На первый взгляд таблица проста: одни модели побеждают чаще других. Но как только посмотришь на сами игры за этими числами, становится ясно, что win rate измеряет не просто «мастерство». Он улавливает нечто более глубокое — как именно каждая модель подходит к долгосрочной оптимизации.

Two models could have similar average scores but very different win profiles. One might dominate early and collapse late. Another might survive longer with steadier boards. The table hid stylistic divergence inside a single metric.

Две модели могут иметь похожие средние очки, но совершенно разные профили побед. Одна может доминировать в начале и обрушиться в конце. Другая может дольше выживать со стабильными досками. Таблица скрывала стилистические различия внутри одной метрики.

And once you start looking at the games instead of just the percentages, those differences become impossible to ignore.

А как только начинаешь смотреть на сами игры, а не на проценты, эти различия становится невозможно игнорировать.

Models are not created equal for long-term strategy

Модели не равны в долгосрочной стратегии

What stood out immediately wasn’t just differences in score, but differences in style.

Сразу бросалось в глаза не столько различие в очках, сколько различие в стиле.

Some models played aggressively. They optimized hard for early line clears, accepted tall stacks, and looked strong in the opening phase of the game. Others were noticeably more conservative, prioritizing flatter boards and survivability even when it meant leaving points on the table.

Некоторые модели играли агрессивно. Они жёстко оптимизировались под ранние очистки линий, мирились с высокими стопками и хорошо смотрелись на старте игры. Другие были заметно консервативнее — отдавали приоритет более плоским доскам и выживаемости, даже ценой упущенных очков.

What surprised me was that none of this was explicitly prompted. No model was told to think long-term or short-term. And yet, each behaved as if it had an implicit optimization horizon.

Что меня удивило — никто этого явно не подсказывал. Ни одной модели не говорили думать в долгую или коротко. И тем не менее каждая вела себя так, словно у неё был внутренний горизонт оптимизации.

One way this showed up was in how often models chose to intervene and update their strategy. Some rewrote their evaluation logic frequently as the board evolved. Others stuck with an initial set of heuristics for a long time, even as the game drifted into riskier territory.

Одно из проявлений этого — насколько часто модели решали вмешаться и обновить свою стратегию. Одни часто переписывали свою оценочную логику по мере развития доски. Другие долго держались за начальный набор эвристик, даже когда игра уходила в более рискованную зону.

Interestingly, Gemini 3 Pro has the highest win rate (62.0%) while intervening the least (1.22 updates/game). It scores a solid 109.3 pts/move — efficient and decisive. Gemini 3 Flash intervenes the most (2.68/game) and still wins 60.3% with strong 110.4 pts/move — frequent revisions seem to work, too. 

Интересно, что у Gemini 3 Pro самый высокий процент побед (62.0%) при наименьшем числе вмешательств (1.22 обновления за игру). Она набирает солидные 109.3 очков/ход — эффективно и решительно. Gemini 3 Flash вмешивается чаще всех (2.68/игру) и всё равно выигрывает 60.3% при сильных 110.4 очков/ход — частые правки тоже, похоже, работают.

This raised an interesting question: could metrics like average points per move, plotted against the number of strategy interventions, help distinguish models that optimize locally from those that implicitly reason over longer horizons?

Это породило интересный вопрос: могут ли метрики вроде среднего числа очков за ход, сопоставленные с количеством стратегических вмешательств, помочь отличить модели, оптимизирующие локально, от тех, кто неявно рассуждает на более длинных горизонтах?

A few additional patterns suggest the answer might be yes:

Несколько дополнительных закономерностей намекают, что ответ — да:

Вмешательства давали убывающую отдачу у части моделей: частые обновления стратегии не всегда приводили к лучшим результатам. В некоторых случаях модели, вмешивавшиеся чаще всего, колебались между эвристиками, не сходясь к устойчивому долгосрочному плану.

Low intervention vs high intervention statistics based on 800+ games

Статистика по низкому и высокому числу вмешательств на основе 800+ игр

Поведение в поздней игре сильно различалось: по мере заполнения доски одни модели становились всё более реактивными и делали более крупные эвристические скачки под давлением. Другие тихо проваливались, продолжая применять стратегию, уже не соответствующую состоянию.

Humans vs LLMs on Tetris

Люди против LLM в Tetris

Pitting humans againstmodels highlighted a contrast that wasn’t just about performance, but about how mistakes happen.

Противостояние людей и моделей выявило контраст не только в результатах, но и в том, как именно происходят ошибки.

Humans tend to play Tetris through intuition and pattern recognition. We don’t evaluate every possible move. Instead, we tolerate messy boards, make locally “bad” moves, and rely on the belief that we can recover later.

Люди обычно играют в Tetris через интуицию и распознавание паттернов. Мы не оцениваем каждый возможный ход. Вместо этого мы терпим грязные доски, делаем локально «плохие» ходы и полагаемся на веру в то, что сможем восстановиться позже.

Models are much more explicit. Every move reflects a scoring function. When a model changes strategy, you can see it in the logic it generates. When it fails, the failure is often traceable to an earlier optimization choice that made sense at the time but turned out to be brittle.

In head-to-head games, below are some interesting patterns: 

Модели намного эксплицитнее. Каждый ход отражает оценочную функцию. Когда модель меняет стратегию, это видно в логике, которую она генерирует. Когда она проваливается, провал часто прослеживается до раннего оптимизационного выбора, который казался разумным в моменте, но оказался хрупким. В матчах один на один проявились несколько интересных закономерностей:

Модели обычно играли с очень чистыми ранними досками, но начинали испытывать трудности, как только доска входила в состояние, под которое они не оптимизировались.

Люди лучше играли «вне распределения». Мы делаем уродливые ходы намеренно и бросаем планы посреди игры, не выводя стратегию заново явно

Looking at the win rate table, the headline is straightforward: models are already strong. Across large numbers of games, they outperform most human players. Against average or intermediate players, the gap is structural.

Если посмотреть на таблицу побед, главный вывод прост: модели уже сильны. На больших количествах игр они обыгрывают большинство людей. Против среднего или среднеопытного игрока разрыв — структурный.

But the interesting part isn’t that models win. It’s where they lose.

Но интересна не победа моделей. Интересно то, где они проигрывают.

The top human players still beat certain frontier models consistently. And the gap isn’t about reaction time or mechanical precision — the environment is fully turn-based. The difference seems to emerge in edge cases: unusual board states, awkward piece sequences, moments where the “correct” move isn’t locally optimal but preserves long-term flexibility.

Лучшие игроки-люди по-прежнему стабильно обыгрывают определённые frontier-модели. И разрыв не в скорости реакции и не в механической точности — среда полностью пошаговая. Различие, похоже, проявляется в краевых случаях: необычных состояниях доски, неудобных последовательностях фигур, в моментах, когда «правильный» ход не локально оптимален, но сохраняет долгосрочную гибкость.

The board quality metrics reinforce this. Humans who are weaker on Tetris produce chaotic boards. Models produce very clean boards. But the strongest humans sit in between: not perfectly clean, not reckless either. They introduce controlled irregularity. That “off-distribution sweet spot” seems to be where models struggle the most.

Метрики качества доски это подтверждают. Слабые в Tetris люди производят хаотичные доски. Модели — очень чистые. Но самые сильные люди — посередине: не идеально чисто, но и не безрассудно. Они вносят контролируемую нерегулярность. Эта «золотая середина вне распределения», похоже, и есть зона, где моделям сложнее всего.

In other words, models are highly competent within the distribution induced by their own heuristics. The best humans, however, occasionally force the game into regimes those heuristics weren’t built for.

Иными словами, модели крайне компетентны внутри распределения, порождённого их собственными эвристиками. Лучшие же люди иногда умудряются загонять игру в режимы, под которые эти эвристики не строились.

One such example is a game where TAFOKINTS (a user who used to compete in Tetris competitively) played against Claude Opus 4.5. TAFOKINTS eventually scored 22,300, beating Opus’ 15,700. What’s interesting is Opus played perfectly for 21 rounds, then TAFOKINTS caught up quickly:

Один из таких примеров — игра, где TAFOKINTS (пользователь, ранее соревновавшийся в Tetris профессионально) играл против Claude Opus 4.5. TAFOKINTS в итоге набрал 22 300, обыграв Opus с его 15 700. Что интересно — Opus играл идеально 21 раунд, после чего TAFOKINTS быстро его догнал:

TAFOKINTS also built boards with bumpiness 12–19 while maintaining 0–1 holes. This “controlled chaos” is the off-distribution sweet spot that breaks AI evaluation functions: 

TAFOKINTS также строил доски с bumpiness 12–19, удерживая при этом 0–1 «дыр». Этот «контролируемый хаос» — та самая золотая середина вне распределения, которая ломает оценочные функции AI:

What This Experiment Changed My Mind About

Что этот эксперимент изменил в моих взглядах

Building something I could actually play against changed how I think about evaluating models.

Сборка чего-то, во что я реально могу играть, изменила то, как я думаю об оценке моделей.

One thing this made clear is how strongly representation shapes what you end up measuring. By stripping away vision and working with structured state, the task shifted from perception to planning. The differences that emerged had little to do with what models could “see,” and much more to do with what they chose to optimize over time.

Одно из ясных открытий — насколько сильно представление формирует то, что вы в итоге измеряете. Убрав зрение и работая со структурированным состоянием, я сместила задачу с восприятия на планирование. Проявившиеся различия мало касались того, что модели могли «видеть», и куда больше касались того, что они выбирали оптимизировать со временем.

Another insight is that optimization horizon is something you observe in behavior, not something you reliably elicit with prompts. In a sequential setting like Tetris, long- vs short-term bias becomes visible. You can watch models trade future flexibility for immediate reward or deliberately avoid doing so—even when no one tells them to think ahead.

Другой инсайт: горизонт оптимизации — это то, что наблюдается в поведении, а не то, что надёжно вытаскивается промптами. В последовательной задаче вроде Tetris долго- против краткосрочного смещения становится видимым. Можно наблюдать, как модели обменивают будущую гибкость на немедленную награду или, наоборот, сознательно этого избегают — даже когда им никто не велит думать наперёд.

Finally, intervention is itself a meaningful decision from LLMs. Knowing how to act is different from knowing when to stop and reconsider your strategy. That distinction feels increasingly important as we build agents that operate over longer time horizons and face states their designers didn’t explicitly anticipate.

Наконец, само вмешательство — это значимое решение со стороны LLM. Знать, как действовать, — это не то же самое, что знать, когда остановиться и пересмотреть стратегию. Это различие кажется всё более важным по мере того, как мы строим агентов, работающих на более длинных горизонтах и сталкивающихся с состояниями, которые их разработчики явно не предусмотрели.

What surprised me the most is that a very old, very simple game was enough to surface these differences. You don’t always need complex environments to learn something meaningful about how systems reason over time. 

Больше всего меня удивило, что очень старой и очень простой игры оказалось достаточно, чтобы выявить эти различия. Не всегда нужны сложные среды, чтобы узнать что-то осмысленное о том, как системы рассуждают во времени.

If you’re thinking about benchmarks for planning, coding agents, or long-horizon model behavior, I’d love to chat. You can find the TetrisBench project here. If you’re interested in the full data and trajectories generated from this benchmark or want to explore related analyses, feel free to reach out at yli@a16z.com. 

Если вы думаете о бенчмарках для планирования, агентов-кодеров или поведения моделей на длинных горизонтах, буду рада пообщаться. Найти проект TetrisBench можно здесь. Если вам интересны полные данные и траектории, сгенерированные этим бенчмарком, или хочется изучить смежные анализы — пишите на yli@a16z.com.

Yoko Li

Yoko Li

is a partner at Andreessen Horowitz, where she focuses on developer tools, infrastructure, AI, and creative tools.

— партнёр в Andreessen Horowitz, где она фокусируется на инструментах для разработчиков, инфраструктуре, AI и инструментах для творчества.

Why We Need Continual Learning

Почему нам нужно непрерывное обучение

Et Tu, Agent? Did You Install the Backdoor?

И ты, агент? Это ты установил бэкдор?

Your Data Agents Need Context

Вашим дата-агентам нужен контекст

The State of Generative Media 2026

Состояние генеративных медиа 2026

Most People Can’t Vibe Code. Here’s How We Fix That.

Большинство людей не умеют vibe code. Вот как это исправить.

Want More Infra?

Хотите больше про инфраструктуру?

Analysis and news covering the latest trends reshaping AI and infrastructure.

Аналитика и новости о последних трендах, переформатирующих AI и инфраструктуру.

Views expressed in “posts” (including podcasts, videos, and social media) are those of the individual a16z personnel quoted therein and are not the views of a16z Capital Management, L.L.C. (“a16z”) or its respective affiliates. a16z Capital Management is an investment adviser registered with the Securities and Exchange Commission. Registration as an investment adviser does not imply any special skill or training. The posts are not directed to any investors or potential investors, and do not constitute an offer to sell — or a solicitation of an offer to buy — any securities, and may not be used or relied upon in evaluating the merits of any investment.

Мнения, выраженные в «постах» (включая подкасты, видео и социальные сети), принадлежат соответствующим сотрудникам a16z, цитируемым в них, и не являются мнениями a16z Capital Management, L.L.C. («a16z») или её аффилированных лиц. a16z Capital Management — инвестиционный консультант, зарегистрированный в Комиссии по ценным бумагам и биржам. Регистрация в качестве инвестиционного консультанта не подразумевает наличия каких-либо особых навыков или подготовки. Посты не адресованы каким-либо инвесторам или потенциальным инвесторам и не являются предложением о продаже — или предложением о покупке — каких-либо ценных бумаг, и не могут использоваться или применяться при оценке достоинств любой инвестиции.

The contents in here — and available on any associated distribution platforms and any public a16z online social media accounts, platforms, and sites (collectively, “content distribution outlets”) — should not be construed as or relied upon in any manner as investment, legal, tax, or other advice. You should consult your own advisers as to legal, business, tax, and other related matters concerning any investment. Any projections, estimates, forecasts, targets, prospects and/or opinions expressed in these materials are subject to change without notice and may differ or be contrary to opinions expressed by others. Any charts provided here or on a16z content distribution outlets are for informational purposes only, and should not be relied upon when making any investment decision. Certain information contained in here has been obtained from third-party sources, including from portfolio companies of funds managed by a16z. While taken from sources believed to be reliable, a16z has not independently verified such information and makes no representations about the enduring accuracy of the information or its appropriateness for a given situation. In addition, posts may include third-party advertisements; a16z has not reviewed such advertisements and does not endorse any advertising content contained therein. All content speaks only as of the date indicated.

Содержание, представленное здесь — и доступное на любых связанных платформах распространения и любых публичных онлайн-аккаунтах a16z в социальных сетях, платформах и сайтах (совместно — «каналы распространения контента») — не следует толковать или использовать каким-либо образом как инвестиционные, юридические, налоговые или иные консультации. По юридическим, деловым, налоговым и иным связанным вопросам, касающимся любых инвестиций, вам следует консультироваться с собственными консультантами. Любые проекции, оценки, прогнозы, цели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться от мнений, выражаемых другими, или противоречить им. Любые графики, предоставленные здесь или в каналах распространения контента a16z, носят исключительно информационный характер и не должны использоваться при принятии каких-либо инвестиционных решений. Часть информации здесь получена из сторонних источников, в том числе от портфельных компаний фондов под управлением a16z. Хотя источники считаются надёжными, a16z не проверяла такую информацию независимо и не делает заявлений о её сохраняющейся точности или применимости к конкретной ситуации. Кроме того, посты могут содержать рекламу третьих лиц; a16z такую рекламу не проверяла и не одобряет содержащиеся в ней рекламные материалы. Весь контент актуален только на указанную дату.

Under no circumstances should any posts or other information provided on this website — or on associated content distribution outlets — be construed as an offer soliciting the purchase or sale of any security or interest in any pooled investment vehicle sponsored, discussed, or mentioned by a16z personnel. Nor should it be construed as an offer to provide investment advisory services; an offer to invest in an a16z-managed pooled investment vehicle will be made separately and only by means of the confidential offering documents of the specific pooled investment vehicles — which should be read in their entirety, and only to those who, among other requirements, meet certain qualifications under federal securities laws. Such investors, defined as accredited investors and qualified purchasers, are generally deemed capable of evaluating the merits and risks of prospective investments and financial matters.

Ни при каких обстоятельствах посты или иная информация, представленные на этом сайте — или в связанных каналах распространения контента — не должны рассматриваться как предложение о покупке или продаже каких-либо ценных бумаг или долей в каком-либо объединённом инвестиционном инструменте, спонсируемом, обсуждаемом или упоминаемом сотрудниками a16z. Их также не следует толковать как предложение о предоставлении инвестиционно-консультационных услуг; предложение об инвестировании в управляемый a16z объединённый инвестиционный инструмент будет сделано отдельно и только посредством конфиденциальных предложений по конкретным объединённым инвестиционным инструментам — которые следует прочесть целиком и только тем, кто, среди прочего, удовлетворяет определённым квалификациям по федеральным законам о ценных бумагах. Такие инвесторы — определяемые как «аккредитованные инвесторы» и «квалифицированные покупатели» — обычно считаются способными оценивать достоинства и риски потенциальных инвестиций и финансовых вопросов.

There can be no assurances that a16z’s investment objectives will be achieved or investment strategies will be successful. Any investment in a vehicle managed by a16z involves a high degree of risk including the risk that the entire amount invested is lost. Any investments or portfolio companies mentioned, referred to, or described are not representative of all investments in vehicles managed by a16z and there can be no assurance that the investments will be profitable or that other investments made in the future will have similar characteristics or results. A list of investments made by funds managed by a16z is available here: https://a16z.com/investments/. Past results of a16z’s investments, pooled investment vehicles, or investment strategies are not necessarily indicative of future results. Excluded from this list are investments (and certain publicly traded cryptocurrencies/ digital assets) for which the issuer has not provided permission for a16z to disclose publicly. As for its investments in any cryptocurrency or token project, a16z is acting in its own financial interest, not necessarily in the interests of other token holders. a16z has no special role in any of these projects or power over their management. a16z does not undertake to continue to have any involvement in these projects other than as an investor and token holder, and other token holders should not expect that it will or rely on it to have any particular involvement.

Не может быть гарантий, что инвестиционные цели a16z будут достигнуты или что инвестиционные стратегии окажутся успешными. Любая инвестиция в инструмент, управляемый a16z, сопряжена с высокой степенью риска, включая риск полной потери вложенной суммы. Любые упомянутые, указанные или описанные инвестиции или портфельные компании не репрезентативны для всех инвестиций в инструменты, управляемые a16z, и не может быть гарантий, что инвестиции окажутся прибыльными или что будущие инвестиции будут иметь схожие характеристики или результаты. Список инвестиций, сделанных фондами под управлением a16z, доступен здесь: https://a16z.com/investments/. Прошлые результаты инвестиций, объединённых инвестиционных инструментов или стратегий a16z не обязательно указывают на будущие результаты. Из списка исключены инвестиции (и некоторые публично торгуемые криптовалюты/цифровые активы), по которым эмитент не дал разрешения на публичное раскрытие. В отношении своих инвестиций в любой криптовалютный или токен-проект a16z действует в собственных финансовых интересах, не обязательно в интересах других держателей токенов. a16z не играет особой роли в этих проектах и не имеет власти над их управлением. a16z не обязуется продолжать участвовать в этих проектах иначе, чем в качестве инвестора и держателя токенов, и другие держатели токенов не должны ожидать или полагаться на её особое участие.

With respect to funds managed by a16z that are registered in Japan, a16z will provide to any member of the Japanese public a copy of such documents as are required to be made publicly available pursuant to Article 63 of the Financial Instruments and Exchange Act of Japan. Please contact compliance@a16z.com to request such documents.

В отношении фондов под управлением a16z, зарегистрированных в Японии, a16z предоставит любому представителю японской общественности копию документов, обязательных к публичному раскрытию согласно статье 63 Закона о финансовых инструментах и биржах Японии. Для запроса таких документов обращайтесь по адресу compliance@a16z.com.

For other site terms of use, please go here. Additional important information about a16z, including our Form ADV Part 2A Brochure, is available at the SEC’s website: http://www.adviserinfo.sec.gov.

С прочими условиями использования сайта можно ознакомиться здесь. Дополнительная важная информация об a16z, включая нашу форму ADV Part 2A Brochure, доступна на сайте SEC: http://www.adviserinfo.sec.gov.