混合智能体破局：成本降80%，AI自主通关《我的世界》

AI智能体正在从「演示」走向「交付」。最新一批研究显示，混合推理架构将推理成本压缩到一个新量级，而多智能体协作已经能在无人干预下完成《我的世界》这类长周期、高复杂度的任务。不过，当评测场景切换到真实的客户交付时，智能体的短板同样暴露无遗。

混合推理架构：让智能体学会「少说多想」

在潜空间与文本之间动态切换

传统智能体在每一步推理时都要输出完整文本，token消耗大、响应慢。新提出的HybridAgent引入了一种双模式机制：在需要深思时进入潜空间推理（latent reasoning），在需要与工具或环境交互时切换回文本模式。中间的HybridLink组件负责两种模式之间的无缝衔接，同时保留工具调用能力。

这一设计的核心洞察在于，并非所有推理步骤都需要「说出来」。大量中间推演可以在隐向量空间中完成，只把关键结论外化为文本，从而在保持可解释性的同时显著降低开销。

潜空间推理（latent reasoning）指的是一种把中间推理过程放在模型的隐向量空间中完成的机制：模型不在每一步都生成离散文本 token，而是直接用隐藏状态（hidden state）作为「思维载体」进行计算与传递。与主流的思维链（Chain-of-Thought）不同，它省去了「把想法翻译成自然语言」再「读回文本继续推理」的编码解码开销，因此在 token 消耗和延迟上通常更占优势。代价是中间过程不易被人类直接阅读，可解释性和可控性会下降。HybridAgent 的双模式思路正是试图兼顾两者：需要深度推演时留在潜空间，需要与工具或环境交互时再回到文本，让关键结论外化出来。

11项基准提升10.4%，成本最多省八成

实验数据相当有说服力。据arXiv论文（2610.18861）披露，HybridAgent在数学、科学、医学、搜索和智能体推理等11项基准上平均提升10.4%，token消耗减少35.5%至54.7%，推理速度提升1.8倍到2.6倍，成本节约达2.7倍到3.7倍。在三个不同模型规模上，这一收益趋势保持一致，说明该方法具有一定的规模鲁棒性。

对实际部署而言，这意味着同样的预算可以支撑更长链条的任务，或是在同等延迟下服务更多并发请求。

四个智能体、2783个程序，打通《我的世界》

零人工干预的端到端通关

另一项研究把目光投向了一个更「野蛮」的测试场。四个Gemini 4 Argon智能体进入沙盒化的《我的世界》生存世界，目标只有一个：击败末影龙。每个智能体通过Mineflayer控制一个玩家角色，借助游戏内聊天和共享记忆进行协调。没有任何人事先分配角色，也没有人编写游戏策略——所有程序都由智能体自己规划、编写和调试。

研究团队只通过实时仪表盘监控，全程未做任何介入。

605次死亡换来27小时的胜利

代价是真实的。据arXiv论文（2610.22319）记录，这支智能体队伍共编写2783个程序，在死亡605次之后，用27小时14分钟完成了通关。这是首个仅使用标准Mineflayer、由AI智能体端到端自主完成的《我的世界》通关记录。

605次死亡并不值得羞愧——它恰恰说明智能体具备从失败中恢复、迭代策略的能力。在开放世界中，错误是常态，能持续自我修正才是关键。

Mineflayer 是 Node.js 生态中一个广为使用的 Minecraft 客户端协议库，它把游戏底层的网络数据包封装成可编程的高层 API，开发者可以用它定位、挖掘、合成、与实体交互，甚至编写自动化脚本。在智能体研究中，Mineflayer 的意义在于它提供了一个稳定、标准化、可复现的接入层：智能体不必学习「如何操作游戏」的低层控制，而只需调用 API 就能执行动作。正因如此，「仅使用标准 Mineflayer」才被强调为一种约束——它排除了针对特定任务硬编码低层行为的可能，使得通关成绩更能反映智能体自身规划与编程能力。

MLExpert：让模型自己搞机器学习工程

350亿参数的MoE智能体

MLExpert是一个350亿参数的混合专家（MoE）智能体模型，专为自主机器学习工程打造。据arXiv论文（2610.22344），它采用分层智能体监督微调（SFT）结合窗口化交互强化学习，以应对长周期的实验迭代。

混合专家（MoE, Mixture of Experts）是一种稀疏激活的模型架构：网络中包含多个并行的「专家」子网络，并通过一个路由器（router）为每个 token 或输入选择性地激活其中少数几个专家。相比同参数量的稠密模型，MoE 在训练和推理时只动用一部分参数，因此能在控制计算成本的前提下扩大模型容量。这种「容量大、激活少」的特性对于智能体模型尤为重要，因为智能体需要在长周期任务中反复进行多步决策，单次调用的成本会被放大数倍。需要注意的是，MoE 节省的是计算量而非显存占用，全部专家仍需常驻或通过并行方式分布加载。

MLE-Bench Lite奖牌率翻倍

在MLE-Bench Lite上，MLExpert将基座模型的平均奖牌率从37.9%提升到72.7%，追平了Kimi-K3、GLM-5.3等更大的前沿模型。更关键的是，这种学到的优化能力可以泛化到NatureBench Lite和算法优化任务上，说明它不是针对单一基准的过拟合。

真实交付：FDE-Gym泼了一盆冷水

95个客户任务，最好成绩0.56

如果前面的进展让人乐观，FDE-Gym的评测结果则提供了必要的清醒。该基准覆盖18个行业、20个客户场景中的95个端到端交付任务，每个任务都由行业专家从真实项目中改编而来。智能体需要澄清模糊需求，并在运行中的系统里发现未被明说的约束。

结果并不理想。据arXiv论文（2610.22350），最佳配置的平均FDE-Gym得分仅为0.56，95个任务中只解决了14个。

FDE（Forward Deployed Engineer，前置部署工程师）是一种源自企业软件交付实践的岗位设定：工程师被派驻到客户现场，负责在真实系统中理解需求、澄清歧义、定位约束并交付可用的解决方案。FDE-Gym 以此命名，意味着它考察的不是「在给定清晰题目下求解」的能力，而是智能体能否扮演这种现场交付角色——在需求模糊、系统正在运行、约束未被明说的环境中主动探测并落地。这也是它与 MLE-Bench Lite 等以明确指标为目标的基准的根本差异：后者的成功标准是分数，前者的成功标准是客户系统中真实产生的业务价值。

未言明的约束是最大瓶颈

研究指出，发现隐性约束是首要障碍。即便在23个「所有关键事实都已获取」的任务上，最佳配置也只在10个任务上实现了有意义的业务提升。这说明问题不只在于信息收集，更在于把信息转化为可落地的方案。

从实验室基准到客户现场，智能体还有相当长的一段路要走。

DeepMind SIMA 2：在虚拟世界中边玩边学

Google DeepMind发布的SIMA 2是一个能在虚拟3D世界中游玩、推理并向用户学习的智能体。据DeepMind官方博客，SIMA 2可以遵循指令、在模拟环境中完成任务，且无需针对特定游戏做专门接入。这为通用具身智能体的训练提供了另一种路径：用虚拟世界作为可扩展的学习场。

同一周里的两个信号

这批研究放在一起看，呈现出清晰的分野。一方面，混合推理、多智能体协作和专用智能体模型正在把成本打下来、把能力推上去；另一方面，FDE-Gym提醒我们，真实世界的模糊性和隐性约束仍是智能体的硬骨头。成本下降会加速部署，而部署会把更多真实场景的问题暴露出来——这两股力量将共同定义下一阶段智能体竞争的焦点。

FAQ

什么是混合推理智能体？

它在内部潜空间推理和外部文本交互之间切换，通过工具执行动作，同时保持思维过程可检查。

Gemini智能体是如何通关《我的世界》的？

四个智能体编写了2783个程序，通过聊天协调，在死亡605次后用时27小时14分钟击败末影龙。

MLExpert提升了多少MLE性能？

它将MLE-Bench Lite上的平均奖牌率从37.9%提升到72.7%。

FDE-Gym衡量什么？

它衡量AI智能体在18个行业的95个任务中，为真实客户交付可用解决方案的能力。