《我的世界》里，看到目标方块，并不代表Agent知道该先准备哪件工具。Min
《我的世界》里，看到目标方块，并不代表Agent知道该先准备哪件工具。MineExplorer把这类长程任务做成了评测，团队从3382个原子任务里筛出1497个，再组合成813个经过人工验证的一到四跳任务，必要的前置步骤不会直接写在目标里。ClaudeOpus4.6做单跳任务时，成功率是77.69%；任务变成多跳以后，成功率降到23.87%，整体是41.08%。论文里反复出现的情况是，模型能看到场景中的物体，却不一定能把观察变成下一步该做什么，模型更大或者打开thinking，也不会自动补上这个缺口。给自己的Agent做验收时，可以照这个思路多加一关：藏掉一个必要条件，或者让流程中途失败一次，看它能不能发现缺了什么、重新排步骤，并保住已经完成的状态。MineExplorer的代码和813个场景已经开放。比起只放一条顺利跑通的演示，用它补测一次“出错以后还能不能接着做”，更接近日常任务会遇到的情况。
