MineExplorer：从看见世界到探索世界的能力断层

来源：美团 LongCat 团队，2026 年 7 月 24 日发布的 MineExplorer 官方介绍；论文 arXiv:2605.30931。下文为事实性整理，重点保留基准设计、结果与边界。

看懂画面，不等于能探索世界

多模态模型已经很会识别图像、解析视频，也能描述危险和资源。但把模型放进一个持续变化的开放世界，让它在有限时间内自己发现隐藏前置条件、规划行动并完成目标，能力会明显断层。

MineExplorer 用 Minecraft 构建动态 3D 沙盒，不是截图问答。每个任务运行 1800 个环境步，每步 0.1 秒，对应约 3 分钟连续交互。模型每做一个动作，世界状态都会变化，之后的决策必须基于最新观察。

813 个任务如何制造长程难度

基准收录 813 个人工验证实例，按 1-hop 到 4-hop 分级。单跳任务直接给出目标；多跳任务只说最终目标，不列出完成目标所需的全部前置步骤。Agent 必须从环境和常识中发现依赖链。

作者把任务表示为指令、初始状态、依赖图和里程碑检查器。评分不只看最后一句话，而是根据环境状态判断各个里程碑是否真正完成。

为避免把「会背 Minecraft Wiki」误当成探索能力，团队还对原子任务做知识过滤：主要依赖游戏专有机制的题目被移除，保留更依赖通用空间、因果和行动能力的任务。

任务覆盖三大维度、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。

造题同样是基准的一部分。五个分工不同的 Agent 在编排器控制下完成初始化、辩论、验证和修订。人工评估显示，多智能体流程让有效率提高约 30 个百分点，质量分提高约 0.5 分，尤其改善了最难的 4-hop 任务。

18 款模型的共同失败模式

官方评测覆盖 Claude、GPT、Gemini 等八个模型家族。表现最好的 Claude Opus 4.6，整体任务成功率也只有约 41 分。

难度上升时下降更明显：该模型在 1-hop 任务约为 77 分，到 4-hop 只剩约 12 分。每增加一层隐藏依赖，成功率就继续下滑。

能力维度上，普遍呈现「感知强于行动，行动强于推理」。以 Claude Opus 4.6 为例，感知分为 61.91，推理分为 54.71。模型通常能看到对象，却无法把观察、当前状态和最终目标稳定串成策略。

失败归因中，导航问题占近 60%。消融实验还表明，简单增加资源不是解药：能解决的任务通常早期就能完成；不能解决的任务，即使给足 1800 步仍会失败。增加历史画面到一定程度后，过期观察还可能干扰当前判断。

对 Agent 评测的启示

MineExplorer 最重要的不是又多了一张榜单，而是把动态世界里的能力拆开了：感知、状态对齐、隐藏前置推断、长程规划和持续行动不能用单次截图成绩互相替代。

对具身智能或电脑操作 Agent，评测至少应加入三类约束：环境持续变化；任务存在未明说的前置条件；结果由环境状态和过程里程碑共同判定。否则，单步指令跑通很容易被误读成系统已经具备长期自主能力。

MineExplorer 已开源论文、代码、数据合成流程和训练环境。它既是考场，也是生成训练任务和定位失败模式的基础设施。

原文：https://tech.meituan.com/2026/07/24/LongCat-MineExplorer.html 论文：https://arxiv.org/abs/2605.30931

出处：美团，美团 LongCat 团队，让AI离开温室，走向动态世界：MineExplorer揭示顶级多模态大模型被忽视的能力断层，2026-07-24，https://tech.meituan.com/2026/07/24/LongCat-MineExplorer.html。