18款顶级大模型集体考砸，最强成功率仅41分

黄昏，森林，一只蜘蛛正朝你爬来。这是《我的世界》最经典的开局。按下暂停，把截图发给任何一个顶级多模态大模型，它们都能答得漂亮：黄昏、有怪物、面临威胁。

但如果把模型直接丢进这个实时运行的世界里，让它自己活下去呢？美团LongCat团队构建的MineExplorer给出了一个不太好看的答案：18款顶级模型里，表现最好的Claude-Opus-4.6，整体任务成功率只有41分。

这不是看图问答，是3分钟连续生存

MineExplorer不是让模型看一张截图做选择题。每个任务实例会运行1800个环境步，每步执行0.1秒，对应一段3分钟的连续交互视频。在这3分钟里，环境一直在变：模型每做一个动作，世界状态就更新一次，它必须根据最新画面不断调整策略。

更关键的是任务结构。MineExplorer把任务按「跳数」分级，代表完成最终目标需要经过多少隐藏前置步骤。简单任务是目标明确的单跳任务；困难任务由2到4跳组成，最终目标虽然给出，但要完成它，必须先推理并完成若干没有在指令里说明的前置子任务。

每个复合任务被定义为一个四元组，包含自然语言指令、初始状态、任务依赖图和规则化里程碑检查器。指令本身不会枚举依赖图里的所有节点，智能体必须自己从环境里推断出隐藏的前置任务。任务越难，意味着需要越多样的能力、越多隐藏前置、越深的依赖链。

还有一个容易被忽略的设计：知识解耦。团队对每个原子任务用LLM裁判判断，它主要依赖通用世界常识还是Minecraft专有机制，并过滤掉后者。测的不是「AI会不会玩Minecraft」，而是「AI能不能在一个动态物理世界里自主探索」。

每加一层隐藏依赖，就掉一个台阶

排行榜上的数字很直白。最强模型Claude-Opus-4.6的表现，从1跳任务的77分，一路下滑到4跳任务的12分。每增加一层隐藏的前置依赖，模型就掉一个台阶。

第二个规律出现在几乎所有被测模型上：感知分数高于行动分数，行动分数高于推理分数。以Claude-Opus-4.6为例，整体感知分61.91，推理分54.71。瓶颈不在于看不见，而在于看懂了却无法串联成有效策略。

团队对Claude-Opus-4.6的失败案例做了归因分析，导航失败是最大的错误来源，占比近60%。也就是说，近六成的失败，模型连目标都没走到。

那给它更多资源行不行？消融实验给出了否定答案。步数上，能解的任务模型在早期就解出来了，解不了的给到1800步上限照样解不了。记忆上，增加历史画面帧数到一定程度后，性能反而下降，因为过期的观察会干扰对当前局面的判断。

核心结论是：瓶颈不在资源，而在模型没法把已有的信息和当前世界状态对齐。

813个任务是怎么造出来的

构建高质量的长程任务基准本身就是难题。MineExplorer的解法是让一组各有分工的AI协作造题：五个专业Agent在一个群聊里协作，由一个orchestrator控制发言顺序，流程分初始化和辩论两个阶段，先生成初稿，再由专家和验证器找出问题并修订。

人工评估结果显示，多智能体流程把有效率拉高了约30个百分点，质量分提升约0.5分，在最难的4-hop任务上优势尤其明显。最终保留了813个通过人工验证的高质量复合任务实例，覆盖1-hop到4-hop。

能力维度上，MineExplorer借鉴ReAct范式，把开放世界探索拆解成三大维度共14项细粒度能力：

• 感知：空间、时序、实体、状态、资源
• 推理：常识、因果、关系
• 行动：移动、跳跃、采集、放置、合成、攻击

其中空间感知、移动、采集等基础能力出现频率最高，常识推理、因果推理也占了相当比例。

看得见，不等于能探索

MineExplorer揭示的是一个被乐观情绪掩盖的能力断层：当前的多模态大模型已经具备不错的感知力，但严重缺乏在动态世界中持续行动的探索力。

对正在升温的具身智能赛道，这有几个直接启示。感知层基本就绪，规划层才是瓶颈——模型能看懂环境，但把感知转化成长程、含隐藏前置的行动计划，才是从能看到能做之间真正的鸿沟。行业也需要更接近真实复杂度的评测标准，在受控场景里跑通一个单步指令，不足以宣布AI能行动了。

MineExplorer交付的不只是一套静态题库。它带着一整套自动合成长程任务的流程，和一个能直接拿来训练的Minecraft环境。评测、造题、训练，用的是同一套基础设施，目前已全面开源。

把瓶颈定位清楚，比盲目乐观更有价值。在一个会变化的世界里持续推理、持续行动，这才是AI走向真实世界必须先跨过的那道门槛。