Gemini 4 Argon 代理自主击败《我的世界》末影龙

本实验最反直觉的部分在于接口。这些代理从未看过屏幕。它们接收描述游戏状态的结构化文本和代码，然后通过 Mineflayer 编写并运行简短的 JavaScript 程序进行操作——例如“走到这些坐标”或“挖掘 16 格范围内的所有铁矿”——再读取返回的文本结果以决定下一步行动^[1]。没有视觉模型，没有像素解析，没有截图循环。研究人员可观看实时仪表板，并可随时暂停或停止运行，但在 27 小时 14 分钟内从未需要这样做^[2]。这一区别至关重要：代理实际上是通过编程穿越《我的世界》，而非以人类认知意义上的“玩游戏”，这使得该成就更应被视为对持续一整天的自主代码生成能力的压力测试，而非游戏特技。

在整个运行过程中，四个代理编写并执行了 2,783 个程序，交换了 229 条聊天消息，死亡 605 次——其中约 22% 的程序以错误告终^[3][4]。表面上看，每个代理平均每 11 分钟死亡一次，看似混乱，这正是部分评论者提出的质疑：有批评者认为，这一数字更多反映的是游戏复活机制的宽容性，而非某个连贯计划的成功执行^[5]。但另一种解读同样合理——在一个无法暂停且无人类干预的环境中，反复的死亡与恢复循环正是代理学习如何找回丢失物品、修复损坏脚本，并在无人指导的情况下维持 27 小时计划的方式。605 次死亡并非成就中的隐藏缺陷，而是大规模无监督试错过程的真实纹理。

由于没有预探查种子可依赖，代理必须完全依靠游戏内信号解决《我的世界》经典的导航难题——寻找通往末地的要塞。通过追踪从约 1.3 公里外投掷的末影之眼轨迹，它们将要塞位置三角定位在距实际位置仅 43 米范围内^[4]。此后，它们在 13 小时 33 分钟时进入末地，并在接下来的十三小时内系统性地摧毁末影水晶，于 26 小时 34 分钟摧毁第十个也是最后一个水晶，不久后末影龙倒下^[6]。这是整个运行中最清晰的证据，表明代理确实在基于文本观察进行真正的空间推理，而非遵循记忆化或脚本化路径。

长周期自主运行通常以能力描述；而这一次却附带了真实价格标签。27 小时的会话涉及约 24,000 次模型调用，约 13.5 亿输入令牌（91% 来自缓存）、1600 万输出令牌，其中包括约 400 万思考令牌，以及六次游戏服务器重启，累计暂停世界 20 分钟^[1]。DeepMind 自身估算，按入门级 API 费率总成本约为 520 美元，标准定价则约为 1,040 美元^[3]。这一数字将抽象的“代理可连续编码一整天”说法转化为具体可比的数值——为任何试图估算持续无监督多代理编码在生产环境中实际成本的人提供了一项真实支出项。

DeepMind 的论文明确指出，这是一次在简单难度下的单次尝试，无法证明同样的四个代理能以多高可靠性重复该成就^[7]。这一保留意见与“首次”自主通关的头条主张显得格格不入，也成为线上争论的核心：一派认为这是持续多代理协调能力的真实进步——代理在启动后约十分钟内自发分工^[8]，并将一名队友的制作技巧复用于 655 个独立程序中^[5]；另一派则指出，游戏环境中多代理的涌现行为并非新鲜事，可追溯至 2023 年 Voyager 的 Mineflayer 脚本方法^[8]，并认为死亡次数和单次运行的框架夸大了成果^[7]。两种解读可同时成立：协调与工具复用行为在程度上确实新颖，尽管可重复性问题仍未解答。