MineExplorer：首个《我的世界》分钟级长程任务评测基准发布

一句话看懂：美团LongCat团队发布MineExplorer，首个针对多模态大模型在《我的世界》中完成分钟级长程任务的评测基准。测试发现，当前最先进的18款模型（包括Claude、GPT、Gemini等）在需要隐藏前置条件的多跳任务上集体“考砸”，最高成功率仅41%，揭示了AI“能看不能做”的能力断层。

事件核心：发生了什么

美团LongCat团队构建了MineExplorer，这是一个基于《我的世界》沙盒环境的开源评测基准。它包含813个人工验证的高质量任务实例（从1跳到4跳），并配套规则化的里程碑自动评测框架。评测中，每个任务实例运行1800个环境步（对应3分钟连续交互视频），环境实时变化。关键设计是“隐藏前置条件”：任务指令不列举所有子目标，模型必须自主推理出未说明的步骤。测试覆盖Claude-Opus-4.6、GPT-4o、Gemini 2.0等18款顶级模型，整体任务成功率（TSR）最高仅41%（Claude-Opus-4.6）。模型在1跳任务上表现尚可（77%），但在4跳任务上骤降至12%。失败主因是导航失败（占近60%），且增加步数或记忆帧数均无法提升性能。

为什么重要

MineExplorer暴露了当前多模态大模型的真实瓶颈：感知层接近可用，但推理与长程规划层严重不足。模型能看懂图像、解析视频，但在动态变化的开放世界中，无法将感知转化为持续行动的策略。这与具身智能赛道的核心需求高度相关——在真实世界中，任务往往包含未说明的前置条件，需要持续探索与自适应。该基准通过“知识解耦”设计，主动剥离《我的世界》专有机制，确保评测的是通用世界常识探索能力，而非游戏攻略记忆。这为行业提供了一条可量化的能力基线，并指出“规划层是瓶颈”这一关键方向。

对用户/开发者/创作者的影响

对AI开发者：MineExplorer不仅是考题，还开源了多智能体数据合成流程和Minecraft训练环境，可直接用于评测和训练。开发者可以此检验模型的探索与推理能力，而非仅关注单步问答准确率。对具身智能从业者：该基准揭示了从“看到”到“做到”的鸿沟，提示应优先攻克长程规划与隐藏条件推理技术。对普通用户：目前公开信息显示，该评测不直接面向终端用户，但其结论提示，依赖AI自动完成复杂任务（如智能家居管理、机器人导航）时需谨慎，现有模型在持续行动场景中可靠性仍有限。