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
美团LongCat团队推出MineExplorer，首个在开放世界动态环境中评测多模态大模型长程任务能力的系统性基准。该基准基于Minecraft沙盒构建，模型需在1800步内与实时变化的环境交互，完成隐藏前置条件的多跳任务（1-4跳）。创新设计包括：动态物理世界模拟、知识解耦聚焦通用探索而非游戏专有知识，以及多智能体协作流程合成813个高质量实例。测试18款顶级模型如Claude、GPT和Gemini，结果显示最强模型Claude-Opus-4.6整体成功率仅41%。核心洞察揭示：多跳任务中性能骤降，感知能力显著优于推理和行动，导航失败占错误近60%。消融实验证明增加步数或记忆无法解决瓶颈，问题在于模型无法将感知信息与世界状态有效对齐。MineExplorer开源了评测框架、任务合成方法和训练环境，为具身智能提供诚实的能力基线，强调从感知到探索的鸿沟是AI走向真实世界的关键挑战，推动行业采用更接近真实复杂度的评测标准。