arXiv 論文提出 MineExplorer 開放世界探索基準，以 813 個人工驗證的 Minecraft 多跳任務評測 18 款多模態大模型，最強的 Claude-Opus-4.6 整體成功率僅約 41%，暴露長程探索能力瓶頸。
礦世界變考場：813 個人工驗證多跳任務
arXiv 2605.30931 由 LongCat 團隊等研究者發表 MineExplorer 基準，鎖定一個過去被忽略的問題：多模態大模型（MLLM）能不能在動態開放世界裡維持分鐘級的長程探索。團隊先從 3,382 個 Minecraft 任務中剔除過度依賴遊戲特定知識的項目，留下 1,497 個「知識可控」原子任務，再以多智能體合成流程組合成 813 個一跳至四跳的人工驗證實例，並用規則化里程碑評估器逐階檢查進度。關鍵設計是把任務難度藏在「隱性前置條件」裡——代理人必須自己推斷要先做什麼、再去哪裡找資源，而非把答案直接寫在提示中。
18 款 MLLM 實測：最強仍只過四成
論文評測涵蓋 18 款主流 MLLM，涵蓋 Anthropic Claude 全系列、OpenAI GPT 系列、Google Gemini 系列、Qwen-3-VL、Doubao-Seed-2.0-Pro、GLM-5V-Turbo、Kimi-K2.6 與 LLaMA-3.2-90B-Vision。結果顯示 Claude-Opus-4.6 與 Gemini-3.1-Pro-Preview 表現最強，但 Claude-Opus-4.6 整體成功率也只有 41.08%；單跳任務約 77% 過關，到了需要協調多個隱性前置條件的多跳場景，最難一檔驟降至約 24%。論文進一步指出，放大模型或開啟思考模式並未穩定換來更好成績，把歷史畫格緩衝從 20 拉到 50 反而因陳舊觀測干擾當下決策而變差。感知分數普遍高於推理分數，代理人看得見物件，卻常無法決定下一步。
所以呢：長程探索才是真門檻
MineExplorer 把「分鐘級、多跳、隱性依賴」明確化為可量測指標，等於對業者遞出一份警訊：當前 MLLM 在短程問答與單步工具使用上看似強悍，一旦要在持續變動的環境中串接多個子目標，仍接近隨機失敗。對於押注具身智能、自動代理人與遊戲／機器人決策的團隊而言，瓶頸不在「看得見」，而在「記得住、排得對、走得回」。若要看另一條改善多模態代理的方法，可延伸閱讀以語音、螢幕與標註組成完整「任務」上下文的互動設計。論文程式碼與資料集已由 meituan-longcat 團隊公開，便於後續以同一座標軸追蹤長程探索進展。
