测评大模型Agent能力，从未如此直观。
新旧两版Claude 3.5 Sonnet在《我的世界》里PK盖楼，差距不要太明显，引来大量围观。
图片
如果让AI不断迭代，甚至能盖出一片建筑群。
为了避免Claude团队糟糕的命名方式造成混淆，下面跟随adi暂且把“新版Claude 3.5 Sonnet”称为“Sonnet 3.6”。
图片
作者adi戏称其为目前“唯一可靠的评测基准”。
Aidan Bench作者Aidan McLau认为评测基准界正需要这个，审美也与智力显著相关。
他甚至愿意提供资金，把这个项目扩展成完整的评测。
图片
总之在开源社区帮助下，代码迅速上架GitHub，更多模型测试结果陆续出炉中。
图片
比如以慢思考著称的OpenAI o1系列，o1-preivew确实盖的更慢，但结构也更完整。o1-mini则无法胜任这个任务。
图片
最终在人类喜好评估（2000+网友投票）中，Sonnet 3.6小赢了一手创意性。
如果不比创意比模仿真实建筑泰姬陵，o1-preview就占很大优势了。
图片
照这个趋势下去，这款经典游戏很快就要从《别人的世界》变成《AI的世界》了……
新型MC Bench火了，竞技场模式开发中
大模型在《我的世界》里盖楼，并不是靠接管鼠标键盘，也不需要视觉理解能力。
而是通过文本提供上下文，并生成下一步操作指令，或许可以理解成根据棋盘行列编号下盲棋。
具体到游戏中，AI会控制一个角色，玩家只需要在聊天框中打字说明想要AI建造什么就可以了。
图片
网友Mckay Wrigley制作了视频教程，在15分钟内就可以使用开源代码设置好测试环境。（地址在文末获取）
图片
使用mineflayer开源库，可以把大模型生成的指令解析成可操作的API调用。
图片
mindcraft开源库中则提供了适合任意模型玩《我的世界》的通用提示词，和少量in-context learning示例。
图片
目前，MC Bench开源项目组打算进一步完善，做成类似Lmsys大模型竞技场一样的天梯机制，人类用户投票，使用Elo算法记分排名。
图片
与此同时，更多其他模型的测试结果也在持续更新中。
更多AI作品
Claude Sonnet非常擅长以塔为主题自由发挥，只需给到足够算力。
图片
图片
o1-preview则可以发挥慢思考能力，用不同颜色的方块排列出太阳系。
不仅天体的顺序是正确的，连相对体积都有所体现，当然如果太阳按真实比例会让游戏崩溃……
图片
小模型难以规划复杂的建筑，但理解和还原简单指令方面，gemini-1.5-flash胜过gpt-4o-mini。
图片
让开源大模型Llama 3 405B盖一个反应它自己个性的东西，AI选择了火坑上的钻石墙。
图片
整体看下来，最有意思的或许还是这个：
让o1-preview自由发挥，随便盖一个酷的东西。
AI选择搭了一个机器人形象，并拼出GPT三个字母。
图片
作者透露，接下来会继续测试一众中等大小开源模型。
图片
目前初步结果，阿里Qwen 2.5-14B表现不错。
图片
视频教程：https://x.com/mckaywrigley/status/1849613686098506064
开源代码：https://github.com/kolbytn/mindcrafthttps://github.com/mc-bench/orchestrator