整活！我的世界：AI出题AI玩，顶级模型也玩儿完？

在《我的世界》中，让AI自己出题、自己完成任务，会发生什么？ 这次我们基于 MineExplorer 框架，把MC变成一个开放世界评测场，让AI不仅是被测者，更是出题者。 通过构建多跳任务链，我们观察AI在长链依赖与动态环境中的真实表现。 （视频中的具体模型版本为：Doubao-Seed-2.0-pro、Claude-opus-4.6、Gemini-3.1-pro-preview、GLM-5v-turbo、GPT-5.4） 这一期的核心其实和上一期AI密室很像，都是去除掉了专业知识，在一个通用和动态环境下考验模型本身的能力。 上一期的瓶颈是"链式推理中间结果传递失败"——模型能解局部问题，但无法把中间结果串联起来。这一期的发现和它高度呼应： 1.跳数才是真正的难度分级：不是任务本身难，是隐藏前置条件的层数。题目只告诉模型最终目标，怎么推出前置步骤，得它自己想。跳数一上来，五个模型的得分集体暴跌。 2.”看懂了"但"做不到"：视频里的模型其实经常能找到第一步的目标——豆包看到了高台，GPT打开了皮匠交易界面，Claude找到了药水。但就是无法把中间结果串联成完整的任务链。和上一期一样，"理解"和"执行"是两回事。 3.通用框架有天花板：只给模型一个通用控制壳（想一步、做一步、看结果），在多跳开放世界任务里会迅速击穿它的规划、记忆和操作能力。不是模型不够聪明，是缺少专门的状态追踪和长期记忆模块。 4.失败是有规律的：豆包原地晃（感知问题）、GLM仰望天空（规划卡死）、GPT钻草丛（导航失败）——不是随机失败，每个模型的失败模式相对稳定，说明瓶颈在能力结构上，不只是运气。 本期benchmark 和论文已经全部开源，感兴趣的大家可以去 GitHub 了解更多细节～🔗 https://github.com/meituan-longcat/Mi...