据龙猫LongCat消息，美团LongCat团队近日发布了首个面向开放世界长程任务的评测基准MineExplorer，系统性地评估了多模态大模型在动态环境中的真实能力。研究发现，即便在Claude、GPT等顶级模型上，面对需要长程规划与隐藏前置条件的任务时，其成功率也出现显著下滑，揭示了当前模型“感知强、探索弱”的能力断层。
MineExplorer核心看点包括：一个包含813个人工验证高质量实例的评测基准；一套可自动合成任务的多智能体数据合成方法论；以及一个基于《我的世界》（Minecraft）构建的可扩展训练环境。该基准不再局限于静态图像问答，而是构建了一个具备完整物理规则、会动态演化的3D沙盒世界进行评测。
创新点一：构建动态演化的世界
模型在评测中面对的是一个实时运行的3D世界。每个任务实例运行1800个环境步（约3分钟），环境状态随模型动作持续变化，要求模型根据最新画面动态调整策略。
创新点二：隐藏前置条件的长程多跳任务
任务按“跳数”分级，代表完成最终目标所需的隐藏前置步骤数量。简单任务为单跳，困难任务则由2-4跳任务组成，模型需自行推断并完成指令中未说明的前置子任务。
创新点三：知识解耦——评测“通用探索”能力
基准主动剥离了《我的世界》专有知识，通过过滤主要依赖游戏（881275）专有机制的任务，确保评测的是模型在动态物理世界中的通用探索能力，而非特定游戏（881275）知识。
基准通过多智能体协作流程自动构建任务，该流程将任务生成有效率提升了约30个百分点，质量分提升约0.5分，最终保留了813个高质量复合任务实例。
MineExplorer将开放世界探索能力拆解为感知、推理、行动三大维度共14项细粒度能力进行评估。评测涵盖了Claude、GPT、Gemini等18个顶级模型。
结果显示，即便是表现最好的Claude-Opus-4.6模型，整体任务成功率也仅为41%。其成功率从1跳任务的77%骤降至4跳任务的12%。模型在感知、推理、行动三个维度上的得分呈现“感知分数 >行动分数 >推理分数”的规律，以Claude-Opus-4.6为例，其感知分61.91，推理分54.71，表明瓶颈在于无法将信息串联成有效策略。
对失败案例的归因分析显示，导航失败是主要错误来源，占比近60%。进一步的消融实验表明，模型失败并非由于步数或记忆资源不足，核心瓶颈在于模型无法将已有信息与当前世界状态有效对齐。
该研究指出，当前多模态大模型已具备较好的感知力，但严重缺乏在动态世界中持续行动的探索力。这为具身智能领域带来启示：感知层已基本就绪，规划层是主要瓶颈；行业需要更接近真实复杂度的评测标准。
MineExplorer已全面开源，提供了评测基准、自动任务合成方法和训练环境，旨在为AI在动态世界中持续探索的能力建立一条可量化的基线。
原文：从“静态看图”到“动态探索”：MineExplorer揭示顶级多模态大模型被忽视的能力断层（来源：龙猫LongCat）
