ICML Spotlight | MCU：全球首个生成式开放世界基准，革新通用AI评测范式

开发能在开放世界中完成多样任务的通用智能体，是AI领域的核心挑战。开放世界强调环境的动态性及任务的非预设性，智能体必须具备真正的泛化能力才能稳健应对。然而，现有评测体系多受限于任务多样化不足、任务数量有限以及环境单一等因素，难以准确衡量智能体是否真正「理解」任务，或仅是「记住」了特定解法。

为此，我们构建了 Minecraft Universe（MCU） ——一个面向通用智能体评测的生成式开放世界平台。MCU 支持自动生成无限多样的任务配置，覆盖丰富生态系统、复杂任务目标、天气变化等多种环境变量，旨在全面评估智能体的真实能力与泛化水平。该平台基于高效且功能全面的开发工具 MineStudio 构建，支持灵活定制环境设定，大规模数据集处理，并内置 VPTs、STEVE-1 等主流 Minecraft 智能体模型，显著简化评测流程，助力智能体的快速迭代与发展。

• 论文地址：https://arxiv.org/pdf/2310.08367
• 代码开源：https://github.com/CraftJarvis/MCU
• 项目主页：https://craftjarvis.github.io/MCU
• MineStudio：https://github.com/CraftJarvis/MineStudio

🚨开放世界AI，亟需理想的评测基准！

传统测试基准包含有标准答案的任务（如代码、推理、问答），但开放世界任务 Minecraft 有着完全不同的挑战：

• 目标开放多样：任务没有唯一解，策略可以千变万化；
• 环境状态庞杂：状态空间近乎无限，还原真实世界复杂度；
• 长周期任务挑战：关键任务持续数小时，智能体需长期规划。

在这样的环境中，我们需要的不只是一个评分系统，而是一个维度丰富、结构多元的综合评测框架。

🌌MCU：为开放世界 AI 打造的「全方位试炼场」

当前已有不少 Minecraft 的测试基准，但它们普遍面临「三大瓶颈」：

• 任务单一：局限于如挖钻石、制造材料等少数几个场景的循环往复。
• 脱离现实：部分建模任务甚至超出了普通人类玩家的能力范畴。
• 依赖人工评测：效率低下，导致评测难以规模化推广。

与之前 minecraft 测试基准对比示意图。

针对以上痛点，MCU 实现了以下三大核心突破：

一：3,452 个原子任务 × 无限组合生成，构筑海量任务空间

MCU 构建了一个覆盖真实玩家行为的超大任务库：

• 11 大类 × 41 子类任务类型：如挖矿、合成、战斗、建造等；
• 每个任务都是「原子级粒度」：可独立测试控制、规划、推理、创造等能力；
• 支持 LLM 动态扩展任务，比如：用钻石剑击败僵尸、雨天徒手采集木材、在沙漠中建一座水上屋。

🔁任意组合这些原子任务，即可生成无限的新任务，每一个都对 AI 是全新挑战！

模拟多样化真实世界挑战。

二. 任务全自动生成 × 多模态智能评测，革新评估效率

GPT-4o 赋能，一句话生成复杂世界：

• 自动生成完整的任务场景（包括天气、生物群系、初始道具等）。
• 智能验证任务配置的可行性，有效避免如「用木镐挖掘钻石」这类逻辑错误型任务。

VLM（视觉语言模型）驱动，彻底改变了传统人工打分的低效模式：

• 基于 VLM 实现对任务进度、控制策略、材料利用率、执行效率、错误检测及创造性六大维度的智能评分。
• 模型自动生成详尽的评估文本，评分准确率高达 91.5%；
• 评测效率相较人工提升 8.1 倍，成本仅为人工评估的 1/5！

任务生成 x 多模态评测流程图。

三：高难度 × 高自由度的「试金石」任务设计，深度检验泛化能力

MCU 支持每个任务的多种难度版本，如：

• 「白天在草原击杀羊」VS「夜晚在雨林躲避怪物并击杀羊」；
• 「森林里造瀑布」VS「熔岩坑边缘建造瀑布」。

这不仅考验 AI 是否能完成任务，更深度检验其在复杂多变环境下的泛化与适应能力。

📉打破「模型表现良好」的幻象：现有 SOTA 模型能否驾驭 MCU ？

我们将当前领域顶尖的 Minecraft 智能体引入 MCU 进行实战检验：GROOT：视频模仿学习代表；STEVE-I：指令执行型控制器；VPT(BC/RL)：基于 YouTube 行为克隆训练而成的先驱。结果发现，这些智能体在简单任务上表现尚可，但在面对组合任务和陌生配置场景时，完成率急剧下降，且错误识别与创新尝试是其短板。

SOTA 模型在 MCU 上的测试结果。

研究团队引入了更细粒度的任务进度评分指标（Task Progress），区别于传统 0/1 式的「任务完成率」，它能动态刻画智能体在执行过程中的阶段性表现，哪怕任务失败，也能反映其是否在朝正确方向推进。

实验发现，当前主流模型如 GROOT、STEVE-I、VPT-RL，在原子任务中尚有可圈可点的表现，但一旦面对更具组合性和变化性的任务，其成功率便会骤降。甚至对环境的微小改动也会导致决策混乱。比如「在房间内睡觉」这个看似简单的任务，仅仅是将床从草地搬到屋内，就让 GROOT 频繁误把箱子当床点击，甚至转身离开现场——这揭示了现有模型在空间理解与泛化上的明显短板。

更令人警醒的是，智能体在建造、战斗类任务中的「创造性得分」与「错误识别能力」几乎全面落后。这说明它们尚未真正具备人类那种「发现问题、调整策略」的自主意识，而这正是通用智能迈向下一个阶段的关键。

MCU 的评测结果首次系统性地揭示了当前开放世界智能体在「泛化、适应与创造」这三大核心能力上存在的鸿沟，同时也为未来的研究指明了方向：如何让 AI 不仅能高效完成任务，更能深刻理解任务的本质，并创造性地解决复杂问题。

文章来自于“机器之心”，作者“郑欣悦 林昊苇”。