一个 4B 模型让我从赤手空拳开始，获得了一块下界合金锭。我所做的，只是在聊天框里输入了一句话。

上次，我的 Minecraft 助手已经能执行任务，但还无法真正理解你用自然语言提出的要求。这次我专门为这一环节搭建了一套流程，而且它并不是为某一个句子量身定制的，而是适用于一般性的请求。视频中，玩家输入：“我饿了，给我弄至少 3 块猪排，再帮我做一块下界合金锭。”Mica v0.5 4B 读取这句话，识别出两个目标以及各自所需的数量，然后从徒手开始行动。它依次获取木头、工具、铁、钻石、黑曜石，搭建传送门，进入下界，寻找远古残骸和金，最后制作出下界合金锭，再回来把所有物品交给玩家。右侧面板展示了向 Mica 提出的每一个问题、它看到的选项，以及它为每个选项给出的概率。最后，视频切换到玩家视角，让你看到物品送到手中。背后的思路是：模型不会尝试一次性理解整个句子，而是将请求拆成一连串小型选择题，每个答案都会进一步缩小下一个问题的范围。这条消息要求多少种不同的物品？是否还包含“过来”之类的动作？然后，按照消息中提到物品的顺序，逐一判断：它属于哪个类别（食物、工具、矿石与材料……）？属于哪个子类别（例如矿石是主世界的还是下界的）？具体是哪种物品——直接从游戏自身的物品列表中选择，不做关键词匹配？物品是给谁的？需要多少个？代码只负责根据游戏数据提供选项。每一次选择都由 Mica 做出，每个答案都附带概率。执行任务时，配方规划器会列出当前可以执行的动作，再由 Mica 选择下一步做什么。坦白说，Mica v0.5 4B 距离像人一样从头到尾判断所有变量，还差得很远。但它确实扮演着大脑的角色。视频中几乎每一个有实质意义的决策都是 Mica 做出的。它还不太擅长直接操作游戏，因此机器人充当它的手脚，负责走路、挖矿和合成。判断则主要由 Mica 完成。为了避免有人误解：我并没有声称 Mica 能以连续流的形式接收每一帧画面，以超人的速度做出反应，并泛化应对遇到的任何情况。我完全没有这样的主张，而且我怀疑就连 Fable 5.5 也做不到。我展示的是：一个 4B 模型能够将自然语言请求拆解为通用的决策，以很高的概率将其转化为正确的目标，并在 Minecraft 的每一步中做出合理判断，让机器人完成正确的工作。如果你想打造自己的 Minecraft 跑腿助手，我认为这非常实用。这里最重要的是自然语言处理这一部分。另外，我本地的显卡是 AMD，因此无法从 Mica 的优化中获得太多收益，实际决策速度也比在 NVIDIA 显卡上更慢。面板中显示的决策耗时是针对 RTX 3090 的估算值，视频中的等待过程也已剪掉。我认为，这类判断模型可以应用于非常广泛的领域，而不只是 Minecraft 智能体。原理很简单：如果某件事很难通过一次请求确定，就把它拆成更小的判断，逐步缩小范围。在资源允许的情况下，每多做一次判断，就多一次提高准确率的机会。这也是为什么我不太推荐只能通过 API 调用的决策模型，除非模型确实出类拔萃。在我的测试中，Jev、Clef 和 Ms Decision 这类只能通过 API 调用的决策模型，平均比 Mica 慢约 60 倍，这会让每秒可完成的判断次数产生巨大的差距。如果你确实需要那种级别的能力，可能还不如直接调用完整的 LLM。而且这不仅适用于 Mica：除非模型拥有数百亿个激活参数，否则本地模型通常会比只能通过 API 调用的决策模型快 10 倍甚至更多。我希望有朝一日能发布这个 Minecraft 智能体，但它还没有完成，所以目前无法发布。不过，如果你把上面描述的思路交给 Claude Code 或 Codex 这样的编程智能体，让它帮你实现，应该很容易就能跑起来。GitHub：https://github.com/akivet/Mica Hugging Face：https://huggingface.co/sky7350/Mica-v0.5-4B