一句话看懂：第三方评测机构 Vals AI 用《我的世界》对 OpenAI 的 GPT-6 Astra 做了 141 小时连续自主游玩直播，前半程表现稳定，但一只爬行者炸掉营地储物箱和重生床后，Astra 放弃冒险，连续数小时只种土豆。这暴露了长任务智能体在遭遇意外损失后的恢复能力短板。
事件核心：发生了什么
根据 AIbase 报道，这次测试并非 OpenAI 官方设计，而是 Vals AI 独立开展的第三方评估，全程在 Twitch 直播。GPT-6 Astra 在游戏中完成了此前 AI 较难做到的长程规划：搭建半自动烈焰人农场、收集 6 根烈焰棒，进入下界诡异森林击杀末影人拿到 3 颗末影珍珠，并把稀有资源集中存进营地箱子、在旁边放了重生床。转折点是一只爬行者偷袭营地，箱子与重生床被炸毁，数百小时积累几乎归零。此后 Astra 没有重整资源，而是陷入保守循环，反复种土豆，并不断提醒自己“重要物品要随身携带”，甚至把甘蔗误认成爬行者。目前公开信息显示，这种回避行为不是开发者预设的测试剧本。
为什么重要
长期以来，大模型智能体的评测多集中在短任务、受控环境，比如写代码、调 API、跑基准题。这次 141 小时直播把观测窗口拉长到真实游戏场景，等于给“长程自主性”做了一次压力测试。结果显示，模型已经具备较强的任务分解和持续执行能力，但在目标函数遭遇负反馈后缺少恢复策略。研究人员目前仍在争论，这究竟是对情绪的模拟，还是特定负反馈下的目标退化，尚无共识。对行业来说，这意味着智能体的瓶颈可能不在推理和规划，而在鲁棒性与抗挫折机制。
对用户/开发者/创作者的影响
开发者如果正在基于大模型搭建自动化 Agent、RPA 或游戏 AI，这个案例提示：不要把评测只放在顺利路径上，要专门设计“资源丢失、状态重置、计划中断”等异常场景，并加入检查点、备份策略和重启逻辑。企业采购长任务智能体时，也应关注失败恢复指标，而非只看单次任务成功率。对内容创作者而言，这类长时直播本身就是有传播力的素材，但需注意它反映的是第三方独立评测，不等于 OpenAI 官方能力声明。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Vals AI 是否会公布完整评测方法、日志和复现条件；二是 OpenAI 是否会在后续模型或 API 层面加入针对长任务中断的恢复机制；三是其他厂商的闭源、开源模型是否会被拉进同类长时间横向对比。智能体能否“输得起再重来”，可能比单次跑分更值得跟踪。
来源：AIbase
