AI智能体自主通关《我的世界》，ML工程与降价模型齐飞

AI智能体正在从演示走向真正的长周期自主任务。最近一轮技术更新中，Gemini 4 Argon 智能体团队在无人类干预的情况下通关《我的世界》，MLExpert 把 Kaggle 奖牌率提升近一倍，Anthropic 和 DeepSeek 则继续压低模型与工具的使用成本。

智能体长周期任务：从游戏到软件工程

Gemini 4 Argon 通关《我的世界》

四名 Gemini 4 Argon 智能体进入沙盒化的《我的世界》生存世界，目标是击败末影龙。每个智能体通过开源库 Mineflayer 控制一名玩家角色，它们使用游戏内聊天和共享记忆进行协调，没有任何人类分配角色或编写游戏逻辑。

据 arXiv 论文 2610.22319 披露，这支智能体团队在运行期间编写了 2783 个程序，耗时 27 小时 14 分钟击败末影龙，过程中死亡 605 次。运行从随机生成的世界开始，难度为简单。这是 AI 智能体首次端到端自主完成《我的世界》。

Mineflayer 与《我的世界》智能体基准

Mineflayer 是一个用 JavaScript 编写的开源《我的世界》机器人库，它把游戏的底层协议封装成高层 API，让程序可以像玩家一样移动、挖掘、合成、与方块和实体交互。研究者常用它搭建智能体环境，因为不需要修改游戏客户端，智能体的行动完全通过标准接口发出。

《我的世界》之所以成为长周期智能体基准，是因为它同时具备开放世界、稀疏奖励和长程依赖：要击败末影龙，智能体必须先采集资源、制作工具、进入下界、寻找要塞，任何一步失败都可能使计划中断。此前多数智能体演示依赖预先设定的脚本、人工编写的游戏逻辑或特定种子，而端到端自主通关要求智能体自己分解目标、编写程序并在失败后恢复，这正是该任务被视为里程碑的原因。

为什么这件事重要

智能体在超过一天的时间里、跨越数千个相互依赖的步骤保持了连贯计划，且只使用了标准 Mineflayer 库，没有预先侦察的种子，也没有人类编写的游戏工具。长周期编程和多智能体协调能力，对真实世界的软件工程同样关键。

这一结果的价值不在于游戏本身，而在于验证了智能体在开放环境中分解目标、编写代码、试错恢复的完整闭环。605 次死亡说明过程并不优雅，但最终目标达成，这更接近真实工程项目的常态。

ML工程智能体：奖牌率接近翻倍

35B MoE 智能体模型

研究者推出 MLExpert，一个 350 亿参数的混合专家（MoE）智能体模型，面向自主机器学习工程。团队构建了 Kaggle-MLE Factory 来生成可执行任务，采用分层智能体监督微调将编程能力迁移到 MLE 任务，并用窗口化交互强化学习把多轮决策视为带共享奖励的执行窗口。

混合专家（MoE）架构与 MLE-Bench

混合专家（Mixture of Experts，MoE）是一种稀疏激活的模型架构：模型包含多个并行的“专家”子网络，每个 token 只被路由到其中少数几个专家计算，因此总参数量可以很大，但单次推理的实际计算量远小于同等稠密模型。MLExpert 的 350 亿总参数正是通过这种方式，在保持推理成本可控的同时获得较大容量，这也是它能够与更大前沿模型比较的前提。

MLE-Bench 是评估机器学习工程智能体的基准，任务来自真实的 Kaggle 竞赛，智能体需要在有限时间内完成数据探索、特征工程、模型训练与提交。MLE-Bench Lite 是其精简子集，用平均奖牌率（达到铜牌及以上阈值的比例）衡量表现。奖牌率从 37.9% 提升到 72.7%，意味着智能体在多数任务上已能产出有竞争力的提交，而不只是跑通流程。

奖牌率数据

在 MLE-Bench Lite 上，MLExpert 将基础模型的平均奖牌率从 37.9% 提升到 72.7%，表现与 Kimi-K3、GLM-5.3 等更大的前沿模型相当。据 arXiv 论文 2610.22344，这种后训练方法能从长实验轨迹中筛选有用的监督信号，异步收集还支持在轨迹结束前更新策略。

泛化能力

MLExpert 在 NatureBench Lite 上同样有提升，并帮助优化智能体脚手架和算法优化。学到的优化能力可以泛化到其他任务，这指向 AI-for-AI 路径和递归自我改进的可能性。

模型降价潮：小模型与低成本的竞赛

Claude Haiku 5.5 面向高并发场景

Anthropic 于 2026 年 10 月 7 日推出 Claude Haiku 5.5，称其为迄今最快、最便宜且最有能力的小模型，面向高并发、成本敏感的工作负载。开发者可以在不大幅增加成本的情况下部署大规模推理。

小模型与单位任务成本

在智能体工作流中，一次任务往往需要数十到数百次模型调用，成本主要由“每次调用的价格 × 调用次数”决定，而非单次推理的绝对能力。小模型（如 Haiku 系列）单次调用便宜、延迟低，适合承担工具调用、格式转换、状态总结等高频子步骤；旗舰模型则只在关键决策点介入。这种分层调用是当前压低智能体运行成本的主流做法。

因此，Anthropic 同时在 Haiku、Sonnet、Opus 三条产品线上降低单位成本，其意义不只是降价，而是让更长的自主工作流在经济上可行。当单次调用足够便宜，智能体就能承担更多试错和验证步骤，这正是长周期任务可靠性与成本之间的直接联系。

Sonnet 与 Opus 的更新

Claude Sonnet 5.5 于 2026 年 9 月 28 日发布，运行速度比 Sonnet 5 快 30%，大多数工作成本最多降低 30%。Claude Opus 5.5 于 2026 年 9 月 22 日推出，在多数工作上达到 Claude Fable 5.1 的水平，运行成本比 Opus 5 低 40%。Anthropic 正在小模型、中端和旗舰三条线上同时压低单位成本。

DeepSeek 补上联网能力

DeepSeek^广告 将 V4.1 Flash 更新为 V4.1-Flash-1017 版本，项目开发能力显著提升，任务完成成本更低、速度更快。同时，DeepSeek 新增网页搜索与抓取的 API 支持，搜索与抓取服务按每 1000 次成功请求 0.75 美元计费。开发者可以让模型基于实时网页数据工作，构建能浏览并引用来源的研究智能体。

三条线索指向同一个方向

智能体能力、工程自动化与推理成本正在同步推进。Gemini 4 Argon 证明长周期自主任务可行，MLExpert 显示后训练能把小模型推到接近前沿的水平，Anthropic 和 DeepSeek 则在降低每次调用的价格。对开发者而言，这意味着更复杂的自主工作流开始具备经济可行性；对行业而言，竞争焦点正从模型规模转向单位任务的可靠性和成本。

FAQ

Gemini 4 Argon 智能体取得了什么成果？

它们自主击败了《我的世界》的末影龙，团队编写了 2783 个程序，耗时 27 小时 14 分钟，过程中死亡 605 次。

MLExpert 将奖牌率提升了多少？

MLExpert 将 MLE-Bench Lite 的平均奖牌率从 37.9% 提升到 72.7%，与 Kimi-K3、GLM-5.3 等更大模型相当。

Claude Haiku 5.5 是什么？

它是 Anthropic 最快、最便宜且最有能力的小模型，于 2026 年 10 月 7 日发布，面向高并发、成本敏感的工作。

DeepSeek 网页搜索如何收费？

DeepSeek 对每 1000 次成功的搜索与抓取请求收费 0.75 美元，该 API 与 V4.1-Flash-1017 更新一同推出。

Claude Sonnet 5.5 何时发布？

Sonnet 5.5 于 2026 年 9 月 28 日发布，比 Sonnet 5 快 30%，成本最多降低 30%。