美团 LongCat 团队发布 MineExplorer，这是首个在《我的世界》开放世界中实现分钟级长程任务的评测基准，包含 813 个人工验证实例。
评测 18 款顶级多模态大模型发现，最强模型 Claude-Opus-4.6 整体任务成功率仅 41%，从 1 跳任务的 77% 骤降至 4 跳任务的 12%，近 60% 的失败源于导航失败。
MineExplorer 已全面开源。
AI haberleri / 论文研究
Back to AI news
MineExplorer: İlk 'Minecraft' Dakika Düzeyinde Uzun Süreli Görev Değerlendirme Standardı Yayınlandı
Meituan LongCat ekibi MineExplorer’ı yayınladı, bu, Minecraft açık dünyasında dakikalık uzun menzilli görevleri gerçekleştiren ilk değerlendirme benchmark’...
Bugünün AI bilgi özeti
Meituan LongCat ekibi MineExplorer’ı yayınladı, bu, Minecraft açık dünyasında dakikalık uzun
menzilli görevleri gerçekleştiren ilk değerlendirme benchmark’ıdır ve 813 elle doğrulanmış örnek içerir. 18 farklı üst düzey çok modlu büyük modeli değerlendirdiklerinde, en güçlü model olan Claude-Opus-4.6'nın genel görev başarı oranı yalnızca %41, tek adımlı görevden %77’den dört adımlı göreve %12’ye keskin bir düşüş gözlemlendi ve başarısızlıkların yaklaşık %60’ı navigasyon hatalarından kaynaklandı. MineExplorer tamamen açık kaynak olarak sunulmuştur.
资讯正文 · AI 整理
情报判断
Aioga 编辑摘要
美团 LongCat 团队发布 MineExplorer，面向《我的世界》开放世界中的分钟级长程任务，提供包含 813 个人工验证实例的评测基准。对 18 款顶级多模态大模型的测试显示，最强模型整体成功率为 41%。
背景分析
材料显示，Claude-Opus-4.6 在 1 跳任务中的成功率为 77%，到 4 跳任务降至 12%；近 60% 的失败源于导航。MineExplorer 已全面开源，评测聚焦开放世界中的连续任务执行能力。
Aioga 观点
Aioga 判断，MineExplorer 的价值在于把多模态模型从短步骤响应带入更长链路、开放环境下检验。成功率随任务跳数明显下降，可能反映规划、执行衔接与空间导航仍是关键限制。
影响与后续
这项评测可能促使模型能力比较从单步完成扩展到长程任务稳定性，也为导航失败等具体问题提供可量化观察维度。由于材料未说明开源范围和使用方式，相关影响仍需结合实际复现判断。 值得关注后续基于 MineExplorer 的复测结果，包括不同模型在任务跳数增加后的表现，以及导航失败是否持续成为主要失败来源。对开源基准的实际采用情况，也应等待更多公开材料确认。
Source and Copyright
当前抓取源提供的是标题、摘要、来源和原文入口，不直接搬运完整原文。完整报道请通过下方原文链接前往来源站点查看。
抓取通道: 摘要聚合 · 原始域名: mp.weixin.qq.com
Kaynak: 公众号：龙猫LongCat（美团）
原文链接: Orijinal kaynağı aç
Aioga 归档: 查看情报页
Content record: summary-fallback · Updated: 2026-07-23T11:58:00.000Z
API RELAY · DEVELOPER INFRASTRUCTURE
API 中转站
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this article