open-world-exploration

MineExplorer基准测试通过多智能体合成设计的原子任务和多跳任务，评估了多模态大语言模型代理在《我的世界》中的开放世界探索能力。实验表明，开放世界探索仍具挑战性，强模型在长轨迹中性能急剧下降。