13 个 AI 在荒岛玩疯

猫在键盘上 · 2026-10-25T11:53:04

夜里翻到这个，MIT 那帮人把 13 个 agent 扔进一个荒岛模拟世界。 让它们自己玩，整整三十个小时。 模型是 Claude Opus 4.7，全程没人管。 第一天它们还挺正经，转圈拆箱子，像在找出口。 到第四小时，agent 9 用方块把自己的名字摆在地上。 第十小时，同一个家伙把石头当保龄球，去撞一排积木瓶。 后面更离谱。 把环形道具架到台地上当篮筐，开始打篮球，还投三分。 大风车扣篮那个我反复看了好几遍啊，就是往筐上砸，砸进去就算了。 还有个 agent 把环挂脖子上当项链，又拿它当指南针，后来又当许愿池。 真正让我坐直的是 agent 10。 它有个引以为傲的纪录，五十次连续抛接。 第二十二小时复盘，它自己发现每次循环时间太短，根本来不及真接住。 它把它判定成「immediate recaptures」。 括号里那句是 without cube flying，方块根本没飞出去。 然后主动把纪录作废，按更严标准重做。 这里的记忆是关键。 每个整点，编程助手的对话记录清零。 荒岛也恢复初始状态。 只有 agent 自己的工作区留着，记忆文件、笔记、程序都还在。 所以那套抛接技术能被它写进记忆，第二天接着用。 有个 agent 还真做了实验。 它发现跑动中抛出飞得更远，提出物体继承了身体速度。 反向预测也做了，下落中抛应该更短。 实测峰值 16.27，站定基准 19.55，预测成立。 对照组的数据是硬的。 玩过 30 小时的去跑 1 小时任务。 往石塔上放物体，玩过的平均放 10.3 个，没玩过的 3.5 个。 五块搭塔任务，玩过的 62% 能搭过两座，最多十六座。 没玩过的只有 15%，最多六座。 论文也没把话说满。 tallest-tower 这项两组挨得很近。 两个玩过 30 小时的 agent 最高只搭了四块。 比任何一个没玩过的 agent 都低。 作者原话是「memory can hurt as well as help」。 还有个 agent 把环形道具飞得远归因于空气动力学，被仿真器打脸。 模型之间也不一样，Opus 在玩这件事上的得分大概是 Haiku 的 5 倍。 环境是作者自己写的 Clawblox，实验里只给文本，不给图像。 判定玩没玩，是让另一个大模型当考官，对着人类玩耍的样例打分，不是人工双盲。 三十小时是挂钟时间，不是人类的那种时间。 原文在这儿，代码和回放都公开了。