火了！高中生用Minecraft做AI基准，用户看图投票决定大模型排名

机

机器之心2025年03月21日约 3 分钟

机器之心报道

编辑：蛋酱

偶然发现了一个很有趣的 AI 基准测试，点开链接，竟然是一个 MineCraft 作品投票页面？

如图所示，这些作品都是 AI 完成的，灰色框中的文字对应的是提示词。黑框是可点击的选项 ——A、B 或者持平。

网站地址：https://mcbench.ai/

来都来了，先投个票吧。投票之前，作品都是「匿名」的。只有在投票后，我们才能看到每个 Minecraft 作品是由哪个模型完成的。

在这个基准里，主要看三个维度：指令遵循、代码完成度和创造力。

AI 技术飞速演进的时代，传统的人工智能基准测试显然不够用了。总有人能想出一些新颖的测试方法，比如的沙盒建造游戏 Minecraft。

这就是我们刚刚看到的 Minecraft Benchmark（MC-Bench）。作为用户，我们能够参与的部分就是：投票。累计票数中的 ELO 分数决定了每个模型的排名。

有趣的是，无论采用哪种指标，排行榜的收敛程度都很高：Claude 3.7 & 3.5 和 GPT-4.5 都是断层领先。

从技术上讲，MC-Bench 是一个编程基准，因为模型需要编写代码来创建所提示的构建，如「冰霜雪人」（Frosty the Snowman）或「原始沙滩上迷人的热带海滨小屋」（a charming tropical beach hut on a pristine sandy shore）。

Prompt："build a detailed steampunk-style airship flying among the clouds"（一艘在云层中飞行的详细蒸汽朋克风格飞艇）

创办 MC-Bench 的 Adi Singh 是个高中生，在他看来，用 Minecraft 做测试基准的价值并不在于游戏本身，而在于「人们对它的熟悉程度」，毕竟它是有史以来最畅销的视频游戏。

对于大多数 MC-Bench 用户来说，评价雪人是否更好看要比研究代码更容易，这使得该项目具有更广泛的吸引力，从而有可能收集更多数据，以了解哪些模型的得分始终更高。

退一万步说，即使是没有玩过这款游戏的人，也可以评估出哪个菠萝的块状表现形式更好，请参考下面这个例子：

「目前，我们只是在进行简单的构建，以思考我们自 GPT-3 时代以来已经走了多远，但（我们）可以看到自己正在扩展到这些较长形式的计划和目标导向型任务。游戏可能只是一种测试智能体推理的媒介，它比现实生活中更安全，测试目的也更可控，因此在我看来更理想。」

研究人员经常在标准化评估中对人工智能模型进行测试，其中很多测试都会给人工智能带来主场优势。由于人工智能模型的训练方式，它们天生就擅长解决某些具体的问题，尤其是需要死记硬背或基础推理的问题。

简单地说，OpenAI 的 GPT-4 可以在 LSAT 考试中取得第 88 百分位数的成绩，但却无法辨别「Strawberry」一词中有多少个「R」。Anthropic 的 Claude 3.7 Sonnet 在一项标准化软件工程基准测试中取得了 62.3% 的准确率，但在玩《口袋妖怪》时却比大多数的五岁孩子还差。

所以一些开放式的游戏反而能「另辟蹊径」，提供检验 AI 性能的新颖视角。在此之前，已经有很多知名游戏被加入 AI 基准测试的名单，比如《口袋妖怪》（Pokémon Red）、《街头霸王》（Street Fighter）和《猜字游戏》（Pictionary）。

推荐阅读：

《先别骂队友，上交如何让 DeepSeek R1 在分手厨房再也不糊锅？》

《Claude 玩宝可梦，卡关就「装死」重启，大模型：逃避可耻但有用》

MC-Bench 的作者表示，他其实希望能够让用户自由提示、自由投票，但这个玩法「又慢又贵」，目前阶段还不现实。