Mine Odyssey：在真实场景中基准测试空间智能体能力

研究者发布 Mine Odyssey 基准，用 Minecraft 重建真实地点来评估空间智能体。该基准包含 180 个任务，覆盖 5 大洲 20 个国家和地区的 30 个地点，其中 20 个室外、10 个室内场景，涵盖不同空间尺度、布局、地形与连通性。每个任务用自然语言指定需按顺序访问的路点，智能体需寻找可通行路线与入口、开门、用楼梯和梯子跨层，并监控进度、从导航错误中恢复。在八个被评估的前沿模型中，GPT-6 Astra 成功率最高，为 85.6%；Claude Opus 5.5 为 73.9%；评测中最强的开放权重模型 DeepSeek-V4.1-Flash 仅 23.9%。

此前的空间智能体基准只覆盖有限的空间布局、尺度和通行要求，难以代表真实物理环境。该基准用真实地点的 Minecraft 重建，把室内外、跨层、开门、路线连通等现实约束纳入任务，并以自然语言多目标序列衡量持续进展。这使不同模型在更接近真实部署条件下的空间推理与纠错能力变得可直接横向比较，也暴露了开放权重模型与闭源模型之间的明显差距。

该基准的机制在于把真实地点的空间结构转译为 Minecraft 场景，并选取地标、建筑、房间等有意义路点，人工验证可达性，再用自然语言指令规定访问顺序。智能体必须同时完成路线搜索、入口识别、开门、跨层移动和进度监控，并在导航出错后恢复。因此成绩反映的是长序列目标下的空间探索、交互与自我纠错综合能力，而非单一视觉识别或最短路径能力。

对产品与研发而言，这类基准把空间智能体的评估从抽象环境推向真实尺度的室内外场景，可用于验证导航、跨层通行和错误恢复等能力，并据此判断模型能否胜任导览、巡检或配送等需要连续目标推进的任务。评估结果也提示，若产品依赖开放权重模型实现物理世界智能体，当前成功率仍偏低，需在路线规划、反馈纠错和交互原语上做额外工程投入。

• 面向物理世界智能体团队，基于 Mine Odyssey 的 180 个任务建立内部回归测试集，按室内外、跨层、开门等能力维度拆分评测。
• 针对开放权重模型在空间任务上的低成功率，开发路线搜索、入口识别与导航纠错的外挂模块，并与闭源模型做成本与成功率对比。
• 将真实地点重建流程产品化，为企业客户生成自有场地的 Minecraft 或仿真评测环境，用于上岗前的智能体能力验证。

• 该基准在 Minecraft 重建环境中的表现，能在多大程度上迁移到真实物理世界中的机器人或智能体部署。
• 被评估的八个模型分别是什么，除前三名外的成绩分布如何。
• 任务是否包含动态障碍、其他智能体或人类协作等更复杂条件。
• 85.6% 与 23.9% 之间的差距主要来自模型规模、训练数据还是工具使用能力。