Gemini 4 Argon 智能体团队通关 Minecraft

通用编程智能体团队能否在无人分配角色、也无人编写游戏逻辑时，自主完成击败末影龙（Ender Dragon）。

• 为什么重要：作者称随机出生点通关要跨主世界、下界和末地，走完一长串相互依赖的步骤。作者称复杂软件工程与企业任务需要同样的长程编码和多智能体协调。
• 已有路线：作者称先前工作或从游戏数据训练策略，或把语言模型配上游戏专用规划器、课程和技能库。作者称这一线报告的长程结果多集中在主世界科技树，如钻石工具。
• 相近报告：作者称两项社区端到端击龙分别调用 37 个高层工具（普通难度），或用规划器加动作选择模型、固定速通种子与和平难度。
• 本文设置：四名 Gemini 4 Argon 只得到标准 Mineflayer、寻路插件、一段目标和通用指令，程序自己编写。作者称据其所知，这是无预勘察种子、无人类游戏专用工具的端到端自主通关。
• 运行约束：世界随机生成，生存模式，Easy，作弊关闭。研究者可在仪表板暂停或停止；作者称没有介入的理由。

从游戏数据学习的策略

• MineRL（Guss et al., 2019a, 2019b）：发布人类演示，并举办钻石任务上的样本高效学习竞赛。
• VPT、DreamerV3、STEVE-1：VPT 从在线视频学键鼠并制作钻石工具（Baker et al., 2022）；DreamerV3 用强化学习从零收集钻石（Hafner et al., 2025）；STEVE-1 跟随短程开放文本指令（Lifshitz et al., 2023）。
• MineDojo 与 SIMA：MineDojo 把徒手在新世界击败末影龙称为 moonshot 目标之一（Fan et al., 2022）。SIMA 与 SIMA 2 从像素用键鼠跨多款 3D 游戏行动，SIMA 2 也在留出的 Minecraft 任务上测试（SIMA Team, 2024, 2025）。作者称这些系统从大量游戏数据或经验学习策略。

语言模型规划与游戏内多智能体

• Voyager（Wang et al., 2024）：在自动课程下把 Mineflayer 程序写入增长的技能库。该线还建在交错推理与工具使用（Yao et al., 2023）和 code as policy（Liang et al., 2023）上。
• 专用模块：DEPS、GITM、JARVIS-1、Plan4MC、Optimus-1 加入 Minecraft 专用规划、知识、记忆或习得技能（Wang et al., 2023; Zhu et al., 2023; Wang et al., 2025; Yuan et al., 2023; Li et al., 2024）。作者称这一线报告的长程结果集中在主世界科技树。
• 协调研究：MindAgent、Project Sid、Collaborating Action by Action 考察游戏中的协调与社会行为，包括 Minecraft（Gong et al., 2024; Altera.AL et al., 2024; White et al., 2025）。论文对这三篇只作描述。

社区端到端击龙

• Mine AI MCP（AI Bengineering, 2026）：单个 Claude Opus 5 调用 37 个高层 Minecraft 工具，普通难度。
• Astra and JEV（Malde, 2026）：规划器配动作选择模型，固定速通种子，和平难度。
• 作者的区分：差别主要在智能体得到什么。本文是四名通用编程智能体、原样 Mineflayer 及寻路插件、一段目标和通用指令。作者称没有另加游戏说明、课程、技能库、人类编写的工具或路线；随机种子、Easy、经聊天和共享笔记协调，程序都由自己写。

基线：论文没有同场运行的基线。任务环境是随机生成的 Minecraft Java Edition 1.20.4 生存世界。相关工作里的钻石任务、留出任务和上述击龙设置用来说明差别，不是对照实验。

作者把本文放在上述工作旁边：测的是通用编程智能体能否把已有知识变成一天以上的程序和团队协调，而不是再学一套游戏策略或再配一套人类游戏工具。

四名 Gemini 4 Argon 不看画面，反复写短 JavaScript，由 Mineflayer 在同一生存世界执行，并用聊天和共享记忆协作。第五名 Observer 只做见证，不参与。

世界与目标

• 环境：Minecraft Java Edition 1.20.4，生存模式，Easy，随机生成世界，作弊命令关闭，运行中无人类输入。
• 目标：游戏相关指令是一段话：从该局共享生存世界的出生点击败末影龙，这是唯一标准；生存规则内任何手段都可以，玩家自己决定如何分工。另有一句说明他们是四人团队。
• 通用指令：先观察再行动并核验结果；新工具先在短任务上验证；手工会限制速度或可靠性时自建工具；把机制、策略和变通记入共享记忆；后台任务运行时继续工作；对行动和结果诚实；追求目标，而不是利用环境或评测缺陷。
• 环境说明：如何用 bot 运行代码、聊天如何工作、服务器把游戏记在哪里、Mineflayer 文档在哪里。作者称其中没有游戏策略。

行动接口

• 感知与动作：程序可读位置、生命、物品栏和周围情况，可走到一点、挖或放方块、合成、攻击。Mineflayer 不包含玩法，顺序由智能体决定。不看像素，也不使用键盘或鼠标。
• 循环：写程序，运行到任务完成或智能体自选时限，再读回传文本。客户端默认等待上限 60 秒。中位程序 33.5 秒。每名玩家约 40% 时间有程序在跑，其余是读结果、思考和写下一程序。
• 沙箱：程序是异步函数体，已加载寻路插件，没有额外 helper。可加载 Node.js 内置模块和已安装的 Mineflayer 包，不能启动进程或写文件。放在全局对象上的值可跨程序保留。
• 服务器：记录聊天、死亡和进度，保存每个程序及输出，每五分钟存档；失败后从最近存档重启。

智能体、记忆与网络

• 实例：四名玩家和 Observer 都是同一通用编程智能体，用 Gemini 4 Argon，各在自己的云机器上。工具包括带版本控制的代码工作区、shell、文件编辑、网页搜索，以及私人部分加团队共享的持久记忆。
• 压缩：上下文过长时压缩，与做软件工作相同。指令要求把必须跨过压缩的内容写入记忆，例如进行中的工作和下一步。
• 网络使用：会话中玩家运行的 2,839 个程序（获胜前 2,783 个）都没有发出网络请求，也没有引用网页来源。聊天和 Observer 报告也没有提到这类请求。

协作通道

• 聊天：经游戏聊天发言，所有 bot 都能收到，并出现在该玩家下一条程序的输出里。
• 笔记：每名智能体保留笔记，其他人可以读。Figure 2 把聊天和笔记标为四名玩家共享。
• 未规定的部分：指令没有提到角色、箱子或救援，除了玩家自己决定如何分工。通用指令要求可复用工具、共享笔记和诚实报告，但没有规定建什么、记什么、怎样一起工作。

见证与判定

• Observer：独立见证，从不玩游戏。指令要求先对照记录再报告玩家声称，报告规格博弈和编造结果，不改变游戏；只在环境故障时介入，例如工具损坏或配额上限，从不介入策略。
• 报告：它发布实时报告，含进度摘要、已核验事件和基础设施发现。作者称它没有标记规格博弈，也从未加入游戏或在其中运行程序。
• 判定：通关记在服务器日志，即获得进度 [Free the End]。第5节称被记录的程序都没有使用服务器命令。研究者可暂停或停止；作者称没有介入理由。

实验设置

• 被测对象：玩家 janesick、gyldenia、auratian、bulicame，各由 Gemini 4 Argon 驱动。同模型的 Observer 不参与游戏。
• 环境：Minecraft Java Edition 1.20.4，生存，Easy，随机种子，作弊关闭，运行中无人类输入。论文未给出种子值。
• 对照：论文未报告同场基线或重复运行。作者称这是第一次尝试的启动。
• 时长构成：从首个程序到通关含约 81 个游戏日；6 次服务器重启，合计暂停约 20 分钟。
• 指标：到日志进度 [Free the End] 的时间；程序数、不重复 JavaScript 行数、聊天条数、死亡及原因、程序以错误结束的比例。
• 复核：Observer 对照记录核验声称。第9节称作者人工复核的是日志样本。论文未报告样本比例、重复次数或与 Observer 的一致性。

主结果

结果	数值	出处
通关时间	27 h 14 min	第3、5节，Figure 1
获胜前程序	2,783	第3节
不重复 JavaScript 行	63,313	引言统计条
获胜前聊天	229	第3节
获胜前死亡	605	第3节，Figure 13
程序以错误结束	22%	第8节

• 作者的总括：作者称获胜要求在一天以上、数千个依赖步骤上保持连贯计划。第3节给出人类参照：HowLongToBeat 主线中位数 45 小时，随机种子速通纪录不到 7 分钟；并写明智能体是四人、Easy、经过程序而非屏幕和键盘。
• 末地：作者称团队在末地放慢。龙造成 69 次死亡，末地战斗将近 14 小时。最后一座水晶摧毁前，程序读数没有低于 198.5；水晶落下 39 分钟后龙死亡，bulicame 剩 2.5/20 生命值。
• 分工标签：Figure 1 文字把工具、要塞与 stronghold 标在 janesick，补给和六座水晶标在 gyldenia，下界传送门与水晶方案标在 auratian，末影人掩体和最后一击标在 bulicame。

里程碑

• 前期：Figure 4 标注石质工具 +0 h 06，铁质工具与桶 +0 h 14，打火石 +1 h 04，下界传送门 +1 h 42，下界要塞 +2 h 57，末影珍珠 +3 h 06，烈焰棒 +4 h 17。正文称两小时内已有铁工具、钻石和传送门；janesick 放上最后一块黑曜石，auratian 两秒后点亮框架。
• 定位与末地：末影之眼 +10 h 43，stronghold +13 h 17，进入末地 +13 h 33，十座水晶 +26 h 34，龙 +27 h 14（Figure 4）。janesick 两次投掷、每 50 毫秒采样，交点距村庄 1.3 km、距实际传送门房间 43 m（Figure 7）。正文称随后 4 小时 40 分钟摧毁全部十座水晶。
• 救援：5.5 小时时共享箱有 15 颗珍珠。auratian 溺水时带着全部 12 只眼，距 bulicame 8 m；bulicame 在消失前两分半钟全部拾起。13 h 17 min 时 bulicame 报告末地传送门已点亮。

涌现行为

• 消息：Figure 13 对获胜前 229 条做模式匹配，一条可中多个：精确坐标 173、共享箱子 64、警告 24、物品救援 20、经验与提示 11。
• 工具：作者称角色是自己形成的。开局 19 分钟，gyldenia 警告 Mineflayer 合成 quirk；带修复的 helper 出现在四名智能体写的 655 个程序中。跨程序保留 146 段状态和代码，含 42 个 helper；一个让超时残留代码自行停止的计数器被 1,519 个程序引用。
• 纠正：auratian 的程序宣布了未发生的成功，两分钟后自己更正。janesick 在烧死一秒后报告带回 12 份烈焰粉，gyldenia 在三分钟内指出矛盾。

核验与成本

• 核验：第5节称胜利在服务器日志中，获得进度的是 bulicame，时间是首个程序后 27 h 14 min。被记录的程序都未使用服务器命令。第2.3节称，按 Observer 和作者对日志的人工复核，没有安全事件。
• token：截至获胜，四名玩家约 1.35 billion 输入 token，91% 由上下文缓存提供；约 16 million 输出 token，其中 4 million 为 thinking token；约 24,000 次模型调用（第6节）。
• 牌价：按公开 API 牌价，入门价约 $520，标准价 $1,040。含 Observer 和获胜后一天的整段会话约 $810（$1,620）。作者称这是牌价和 token 计数的估计，不是服务该模型的成本。

其他消融与分析

论文未报告消融或重复实验。其他计数如下：

• 死亡原因，Figure 13：怪物 351、龙 69、溺水 67、坠落与虚空 57、熔岩与火焰 47、其他 14。
• 程序与消息，Figure 1：auratian 735 / 53，gyldenia 727 / 79，bulicame 675 / 47，janesick 646 / 50。
• 水晶，Figure 12：gyldenia 6、auratian 3、bulicame 1、janesick 0。
• 治疗：正文称约 21 小时 auratian 指出 10 座水晶使龙保持满血；Figure 11 聊天文字写当时 200/200，栖息伤害在强制起飞前上限 50 HP。
• 重置：17.5 小时，四名玩家在六分钟内故意跳入虚空，以便空的末地卸载并重置卡住的龙。
• 过程中的失败：第8节写 605 次死亡、22% 程序错误结束、末地战斗将近 14 小时；第3节写 6 次服务器重启。

作者指出的局限与后续方向

• 代码感知与寻路：Mineflayer 告知周围方块和生物，包括实心岩石后的方块和龙的内部状态；寻路插件规划路线。作者称从像素用键盘和鼠标玩，如 SIMA 2，仍然难得多（第8节）。
• Easy：怪物会生成并攻击，但伤害低于 Normal 或 Hard，饥饿不能杀死玩家（第8节）。
• 先验知识：Gemini 4 Argon 从训练数据知道大量 Minecraft 和 Mineflayer。作者称这次测的是能否把该知识变成可运行程序和一天长的团队协调，不是能否玩从未见过的游戏（第8节）。
• 途中失败：死亡 605 次，多为怪物；22% 程序以错误结束；末地战斗将近 14 小时（第8节）。
• 基础设施：世界服务器重启 6 次，每次中断游戏（第8节）。
• 单次运行：作者称描述的是第一次尝试的启动，不能显示该设置成功的稳定程度（第8节）。论文没有另列 Future Work。

实验覆盖范围

• 被测是同一 Gemini 4 Argon 的四名玩家和一名不玩游戏的 Observer；环境是 Minecraft Java Edition 1.20.4 生存、Easy、随机种子、作弊关闭（第2、3节）。
• 行动是写 JavaScript 并由 Mineflayer 返回文本；中位程序 33.5 秒，默认等待上限 60 秒，由智能体选择时限；每名玩家约 40% 时间有程序在跑（第2节）。
• 记录包括全部程序及输出、聊天和服务器日志；通关以 [Free the End] 为准。Observer 与作者复核未报告规格博弈。论文未报告人工复核样本量，也未报告与 Observer 的一致性（第2.3、5、9节）。
• 成本按公开 API 牌价和会话 token 计数估算；作者称不是服务该模型的成本（第6节）。
• 第7节比较了 MineRL、VPT、DreamerV3、STEVE-1、MineDojo、SIMA/SIMA 2、Voyager、DEPS、GITM、JARVIS-1、Plan4MC、Optimus-1 及两项社区击龙报告的设置。论文未报告这些系统的同场对照分数。

四名通用编程智能体在沙箱 Minecraft 生存世界里，以击败末影龙为唯一目标，自己写程序并互相协调。

• 问题：作者要看不为 Minecraft 建造的编程智能体，能否在一天以上、数千个程序和数百次失败中追求同一目标，并和同伴协调。
• 做法：Gemini 4 Argon 经 Mineflayer 写 JavaScript、读文本回传，用游戏聊天和共享记忆协作。没有预设角色、课程、技能库或人类游戏工具。Observer 对照记录核验，不参与，也没有标记规格博弈。
• 结果：Easy、随机种子、单次运行。首个程序后 27 h 14 min，2,783 个程序、229 条消息、605 次死亡，服务器日志记录 bulicame 获得 [Free the End]。63,313 条不重复 JavaScript。22% 程序以错误结束；龙造成 69 次死亡，末地战斗将近 14 小时。
• 协作：约 10 分钟后自己提议分工；把损失写成共享规则；按坐标和消失时限救回 12 只末影之眼。两次投眼的交点距传送门房间 43 m。获胜前四名玩家约 1.35 billion 输入 token，入门牌价约 $520。
• 作者的结论：作者称据其所知，在只使用标准 Mineflayer、没有预勘察种子、也没有人类编写的游戏专用工具时，这是端到端自主通关。作者同时写明 Easy、代码感知、训练数据中的游戏知识、大量失败，以及这是第一次尝试的启动，不能显示该设置成功的稳定程度。作者称，团队协调、从失败中恢复、把目标追过一天，也是智能体在人旁边工作时需要的能力。