您现在的位置是：网站首页>娱乐娱乐

电玩城大厅app

许惜雪 2025-05-14 【 娱乐】 6342 人已围观

该工作由通用人工智能研究院 × 北京大学联手打造⑧。第一作者郑欣悦为通用人工智能研究院研究员⑤，共同一作为北京大学人工智能研究院博士生林昊苇⑤，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⑨。

开发能在开放世界中完成多样任务的通用智能体⑦，是AI领域的核心挑战⑧。开放世界强调环境的动态性及任务的非预设性⑲，智能体必须具备真正的泛化能力才能稳健应对⑥。然而⑨，现有评测体系多受限于任务多样化不足⑪、任务数量有限以及环境单一等因素⑰，难以准确衡量智能体是否真正「理解」任务⑪，或仅是「记住」了特定解法⑩。

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⑱。MCU 支持自动生成无限多样的任务配置❷，覆盖丰富生态系统❷、复杂任务目标⑨、天气变化等多种环境变量④，旨在全面评估智能体的真实能力与泛化水平⑨。该平台基于高效且功能全面的开发工具MineStudio构建⑨，支持灵活定制环境设定⑪，大规模数据集处理④，并内置 VPTs⑤、STEVE-1 等主流 Minecraft 智能体模型❸，显着简化评测流程⑦，助力智能体的快速迭代与发展⑧。

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▓！

传统测试基准包含有标准答案的任务⑳，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⑪，策略可以千变万化⑱；

环境状态庞杂：状态空间近乎无限⑳，还原真实世界复杂度⑯；

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❸。

在这样的环境中②，我们需要的不只是一个评分系统⑨，而是一个维度丰富⑮、结构多元的综合评测框架⑧。

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⑰，但它们普遍面临「三大瓶颈」：

任务单一：局限于如挖钻石❸、制造材料等少数几个场景的循环往复④。

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⑮。

依赖人工评测：效率低下⑤，导致评测难以规模化推广⑯。

与之前 minecraft 测试基准对比示意图⑮。

针对以上痛点⑬，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⑬，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⑤、合成④、战斗⑥、建造等②；

每个任务都是「原子级粒度」：可独立测试控制⑲、规划⑨、推理③、创造等能力②；

支持 LLM 动态扩展任务⑬，比如：用钻石剑击败僵尸⑧、雨天徒手采集木材①、

在沙漠中建一座水上屋③。

任意组合这些原子任务⑩，即可生成无限的新任务⑧，每一个都对 AI 是全新挑战⑰！

模拟多样化真实世界挑战⑬。

二. 任务全自动生成 × 多模态智能评测❶，革新评估效率

GPT-4o 赋能⑳，一句话生成复杂世界：

自动生成完整的任务场景⑬。

智能验证任务配置的可行性⑭，有效避免如「用木镐挖掘钻石」这类逻辑错误型任务①。

VLM驱动⑩，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⑧、控制策略⑯、材料利用率⑰、执行效率⑬、错误检测及创造性六大维度的智能评分❶。

模型自动生成详尽的评估文本⑭，评分准确率高达91.5%

评测效率相较人工提升8.1 倍⑱，成本仅为人工评估的1/5⑤！

任务生成 x 多模态评测流程图⑳。

三：高难度 × 高自由度的「试金石」任务设计⑤，深度检验泛化能力

MCU 支持每个任务的多种难度版本❷，如：

「白天在草原击杀羊」VS「夜晚在雨林躲避怪物并击杀羊」⑪；

「森林里造瀑布」VS「熔岩坑边缘建造瀑布」④。

这不仅考验 AI 是否能完成任务⑫，更深度检验其在复杂多变环境下的泛化与适应能力⑨。

打破「模型表现良好」的幻象：现有 SOTA 模型能否驾驭 MCU ⑬？

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⑪；STEVE-I：指令执行型控制器⑧；VPT：基于 YouTube 行为克隆训练而成的先驱⑪。结果发现①，这些智能体在简单任务上表现尚可⑯，但在面对组合任务和陌生配置场景时❸，完成率急剧下降⑫，且错误识别与创新尝试是其短板❷。

SOTA 模型在 MCU 上的测试结果❸。

研究团队引入了更细粒度的任务进度评分指标❷，区别于传统 0/1 式的「任务完成率」❸，它能动态刻画智能体在执行过程中的阶段性表现⑯，哪怕任务失败⑤，也能反映其是否在朝正确方向推进⑩。

实验发现①，当前主流模型如 GROOT⑩、STEVE-I❷、VPT-RL②，在原子任务中尚有可圈可点的表现①，但一旦面对更具组合性和变化性的任务❶，其成功率便会骤降⑭。甚至对环境的微小改动也会导致决策混乱⑪。比如「在房间内睡觉」这个看似简单的任务③，仅仅是将床从草地搬到屋内⑤，就让 GROOT 频繁误把箱子当床点击❶，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④。

更令人警醒的是▓，智能体在建造▓、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⑱。这说明它们尚未真正具备人类那种「发现问题④、调整策略」的自主意识④，而这正是通用智能迈向下一个阶段的关键⑪。

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⑪、适应与创造」这三大核心能力上存在的鸿沟❷，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⑨，更能深刻理解任务的本质⑪，并创造性地解决复杂问题⑲。

很赞哦⑭！

随机图文