阳光电玩城官方最新版本

该工作由通用人工智能研究院 × 北京大学联手打造⑨。第一作者郑欣悦为通用人工智能研究院研究员⑩，共同一作为北京大学人工智能研究院博士生林昊苇②，作者为北京大学助理教授梁一韬和通用人工智能研究院研究员郑子隆⑬。

开发能在开放世界中完成多样任务的通用智能体⑰，是AI领域的核心挑战⑥。开放世界强调环境的动态性及任务的非预设性❷，智能体必须具备真正的泛化能力才能稳健应对⑲。然而⑩，现有评测体系多受限于任务多样化不足⑦、任务数量有限以及环境单一等因素③，难以准确衡量智能体是否真正「理解」任务⑨，或仅是「记住」了特定解法⑯。

为此⑳，我们构建了Minecraft Universe——一个面向通用智能体评测的生成式开放世界平台⑳。MCU 支持自动生成无限多样的任务配置⑥，覆盖丰富生态系统⑳、复杂任务目标①、天气变化等多种环境变量⑪，旨在全面评估智能体的真实能力与泛化水平①。该平台基于高效且功能全面的开发工具MineStudio构建⑫，支持灵活定制环境设定▓，大规模数据集处理⑮，并内置 VPTs⑤、STEVE-1 等主流 Minecraft 智能体模型⑧，显着简化评测流程❶，助力智能体的快速迭代与发展⑳。

论文地址：https://arxiv.org/pdf/2310.08367

代码开源：https://github.com/CraftJarvis/MCU

项目主页：https://craftjarvis.github.io/MCU

开放世界AI⑮，亟需理想的评测基准⑩！

传统测试基准包含有标准答案的任务⑦，但开放世界任务 Minecraft 有着完全不同的挑战：

目标开放多样：任务没有唯一解▓，策略可以千变万化❸；

环境状态庞杂：状态空间近乎无限▓，还原真实世界复杂度⑧；

长周期任务挑战：关键任务持续数小时⑯，智能体需长期规划▓。

在这样的环境中⑳，我们需要的不只是一个评分系统⑱，而是一个维度丰富①、结构多元的综合评测框架④。

MCU：为开放世界 AI 打造的「全方位试炼场」

当前已有不少 Minecraft 的测试基准⑳，但它们普遍面临「三大瓶颈」：

任务单一：局限于如挖钻石⑥、制造材料等少数几个场景的循环往复▓。

脱离现实：部分建模任务甚至超出了普通人类玩家的能力范畴⑪。

依赖人工评测：效率低下③，导致评测难以规模化推广②。

与之前 minecraft 测试基准对比示意图⑬。

针对以上痛点⑥，MCU 实现了以下三大核心突破：

一：3,452 个原子任务 × 无限组合生成⑤，构筑海量任务空间

MCU 构建了一个覆盖真实玩家行为的超大任务库：

11 大类 × 41 子类任务类型：如挖矿▓、合成③、战斗⑪、建造等❶；

每个任务都是「原子级粒度」：可独立测试控制①、规划⑦、推理⑪、创造等能力⑫；

支持 LLM 动态扩展任务①，比如：用钻石剑击败僵尸⑬、雨天徒手采集木材①、

在沙漠中建一座水上屋❷。

任意组合这些原子任务❷，即可生成无限的新任务⑬，每一个都对 AI 是全新挑战⑪！

模拟多样化真实世界挑战⑭。

二. 任务全自动生成 × 多模态智能评测▓，革新评估效率

GPT-4o 赋能⑬，一句话生成复杂世界：

自动生成完整的任务场景⑤。

智能验证任务配置的可行性④，有效避免如「用木镐挖掘钻石」这类逻辑错误型任务⑫。

VLM驱动⑱，彻底改变了传统人工打分的低效模式：

基于 VLM 实现对任务进度⑱、控制策略⑱、材料利用率⑱、执行效率③、错误检测及创造性六大维度的智能评分⑭。

模型自动生成详尽的评估文本⑤，评分准确率高达91.5%

评测效率相较人工提升8.1 倍❶，成本仅为人工评估的1/5▓！

任务生成 x 多模态评测流程图❸。

三：高难度 × 高自由度的「试金石」任务设计⑱，深度检验泛化能力

MCU 支持每个任务的多种难度版本⑪，如：

「白天在草原击杀羊」VS「夜晚在雨林躲避怪物并击杀羊」②；

「森林里造瀑布」VS「熔岩坑边缘建造瀑布」❷。

这不仅考验 AI 是否能完成任务⑱，更深度检验其在复杂多变环境下的泛化与适应能力⑦。

打破「模型表现良好」的幻象：现有 SOTA 模型能否驾驭 MCU ❸？

我们将当前领域顶尖的 Minecraft 智能体引入 MCU 进行实战检验：GROOT：视频模仿学习代表⑱；STEVE-I：指令执行型控制器⑨；VPT：基于 YouTube 行为克隆训练而成的先驱⑲。结果发现⑥，这些智能体在简单任务上表现尚可❷，但在面对组合任务和陌生配置场景时⑧，完成率急剧下降⑮，且错误识别与创新尝试是其短板①。

SOTA 模型在 MCU 上的测试结果⑩。

研究团队引入了更细粒度的任务进度评分指标⑮，区别于传统 0/1 式的「任务完成率」⑦，它能动态刻画智能体在执行过程中的阶段性表现⑦，哪怕任务失败⑫，也能反映其是否在朝正确方向推进⑮。

实验发现⑫，当前主流模型如 GROOT❸、STEVE-I⑭、VPT-RL❷，在原子任务中尚有可圈可点的表现⑰，但一旦面对更具组合性和变化性的任务⑥，其成功率便会骤降⑯。甚至对环境的微小改动也会导致决策混乱④。比如「在房间内睡觉」这个看似简单的任务❷，仅仅是将床从草地搬到屋内⑰，就让 GROOT 频繁误把箱子当床点击④，甚至转身离开现场——这揭示了现有模型在空间理解与泛化上的明显短板②。

更令人警醒的是⑤，智能体在建造⑬、战斗类任务中的「创造性得分」与「错误识别能力」几乎全面落后⑦。这说明它们尚未真正具备人类那种「发现问题⑲、调整策略」的自主意识⑳，而这正是通用智能迈向下一个阶段的关键①。

MCU 的评测结果首次系统性地揭示了当前开放世界智能体在「泛化①、适应与创造」这三大核心能力上存在的鸿沟❸，同时也为未来的研究指明了方向：如何让 AI 不仅能高效完成任务⑩，更能深刻理解任务的本质①，并创造性地解决复杂问题⑰。

转载：感谢您对电玩城捕鱼种类都有的软件网站平台的认可⑮，以及对电玩城捕鱼种类都有的软件原创作品以及文章的青睐②，非常欢迎各位朋友分享到个人站长或者朋友圈❷，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”⑫。

很赞哦❸！