MineExplorer 评测揭示多模态大模型在动态长程任务中能力断层
MineExplorer 评测显示，当前多模态大模型在动态探索与长程规划等开放世界任务中存在严重能力短板。
美团 LongCat 团队构建 MineExplorer，首个在开放世界中评测分钟级长程任务的基准。测试 18 款顶级多模态大模型，整体成功率仅 41%，多跳任务崩盘，导航失败是主要瓶颈。
正文摘录
 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 2026-07-24 LongCat 开源 大模型 假如你出生在一片未知的森林，太阳即将下山，饥肠辘辘，前方一只蜘蛛正向你缓慢爬来。——这是来自《我的世界》最经典的开局。 此时如果你按下暂停，把截图发给所有顶级的多模态大模型，它们都能完美回答你：“黄昏、有怪物，面临威胁。” 我们发现，多模态大模型能看懂图像、解析视频、在复杂场景里推理，然而一旦它们被丢进一个实时变化、需要持续探索的开放世界又会发生什么？ 为了深入探索，美团 LongCat 团队构建了 MineExplorer —— 首个在开放世界中做到分钟级长程任务的评测基准 ，系统性地评测多模态大模型在需要长程规划、并包含隐藏前置条件的任务中的真实能力。 MineExplorer 核心看点： - 一个能直接跑的评测基准 ：813 个人工验证的高质量实例（1-hop 到 4-hop），配套规则化的里程碑自动评测框架。 - 一套造题的方法论 ：多智能体数据合成流程的完整代码，可自动合成训练任务。 - 一个可扩展的训练环境 ：基于 Minecraft 的沙盒，既能当考场，也能当练兵场。 01 MineExplorer 设计解密：让AI离开温室，走向动态世界 MineExplorer 不再是简单的看图问答，而是围绕一系列创新，构建了一个前所未有的评测体系。