2026年10月15日，谷歌DeepMind提交论文《A team of Gemini 4 Argon agents beats Minecraft》，把4个运行 Gemini 4 Argon 的通用编码智能体放进随机生成的《我的世界》生存世界，只下达一个目标：击败末影龙。27小时14分后末影龙倒下，全程写下并运行了2783个程序，死亡605次，队员间互发229条游戏内消息。 热榜词条里的"27小时通关"由此而来，但不少转述把"无人类辅助""成本约1620美元"揉成一句顺口结论，按论文口径，这1620美元对应的是含观察员与胜利后一天活动的标准价整场花费，到屠龙成功那一刻只有约1040美元；而"无人类辅助"的准确含义，是研究人员全程可监督、随时能暂停，只是没有介入的必要。 三个限定——Easy难度、代码接口、单次运行——共同决定了这组成绩能说明什么、不能说明什么。arXiv微博
它不是"玩"游戏，是全程写代码操控角色
四名智能体没有看画面，也没有操作键鼠：它们通过开源库Mineflayer连接Minecraft Java版1.20.4服务器，每回合写一段JavaScript执行——查坐标、挖方块、合成、寻路——运行结果再以文字回传，决定下一步做什么。 这种"程序即行动"的接口让感知比真人强得多：Mineflayer能告诉智能体身后藏着的方块和末影龙的内部状态，论文自己承认，换成像素输入加键鼠输出仍然困难得多。整支队伍平均每35秒产出并执行一段新程序，22%的程序以报错收场，游戏服务器还重启过6次。"没查攻略"留有可核查的记录：全场2839个程序都未发起网络请求或引用网页，其中2783个在胜利前运行；聊天记录和Observer报告也没有提到网络来源。 另有一个同型智能体担任Observer，只观察、核对记录，不操作角色。arXiv知乎
最后14小时全在末地：分工、救援与屠龙
时间线头轻尾重：开局1小时42分点燃下界传送门，第13小时33分才进入末地，拆掉十颗给末影龙回血的水晶一路拖到第26小时34分，全程27小时14分里还包括6次服务器重启、约20分钟暂停，游戏内则走过了约81个昼夜。arXiv
分工没人安排，是跑出来的：janesick负责工具与要塞定位，auratian点燃下界传送门，gyldenia管食物补给并拆掉十颗水晶中的六颗，bulicame搭好末影人掩体、打出屠龙一击。最险的时刻在第13小时：auratian带着全部12颗末影之眼在离队友8米处溺水，两名队友把精确坐标和物品消失倒计时发给bulicame，它在物品消失前最后两分半钟把12颗末影之眼全部捞回。arXiv
经验同样在沉淀：146份状态与代码跨程序保留、写出42个helper函数，其中修好一个合成缺陷的函数出现在全队655个程序里，一个让超时程序残留代码自行停止的计数器被1519个程序引用。arXiv
1620美元是整场最高口径，屠龙那一刻标准价约1040美元
这套成绩出自发布仅几天的模型：Gemini 4全球上线在10月14日，论文提交于次日，"入门期列表价"正是发布初期的限时价口径。36氪
用量侧，截至屠龙成功，四名玩家共处理约13.5亿输入token（91%命中上下文缓存），生成约1600万输出token（含400万思考token），约2.4万次模型调用。arXiv
费用要分开读：到击败末影龙为止，按发布初期列表价约520美元、标准价约1040美元；把Observer和胜利后继续运行的一天算进去，才到约810美元、标准价约1620美元，论文明确说明这些是列表价与token计数的估算，不等于模型服务成本。arXiv
参照系也要带着条件看：论文引用的人类玩家主线通关中位数为45小时、随机种子速通纪录不足7分钟，27小时介于两者之间，但四人组队、Easy难度、代码接口这组配置无法与单人玩家直接排名。arXiv
"首次"带着三个限定，跨口径不可比
论文的原话必须连着限定读：据作者所知，这是AI智能体首次端到端自主通关《我的世界》，且只使用标准Mineflayer库、没有预探种子、没有人类编写的游戏专用工具。arXiv
同一场"屠龙竞赛"并非从零开始：论文相关工作列出了两项近期社区成绩——一个Claude Opus 5智能体在Normal难度下调用37个高层游戏工具通关，另一项是规划器加动作选择模型在预探固定种子与Peaceful和平难度下的成果。 去掉限定词去比时间，就会把不同配置的成绩混成一锅。arXiv
边界论文自己也写透了：Mineflayer让感知远超真人但绕开了像素难题，论文承认换成像素输入加键鼠输出仍困难得多；Easy难度下怪物伤害更低、饥饿不会致命；模型从训练数据里本来就熟悉游戏配方与库用法；单次运行给不出方差和成功率。 生存模式可复活、可捡回掉落物，是605次死亡和22%报错被吸收的前提；若失败不可逆、需要实时视觉判断，同一个结论就不能照搬。arXiv
但反过来看，谷歌DeepMind要测的本来就不是"AI玩得多像人"：论文点明通关依赖的长程规划、跨环节纠错与团队协调，与软件工程和真实工作场景高度重叠，这才是这场实验的靶心。arXiv
对普通读者，下次再看到"AI通关某某"的新闻，先问三件事就能避开大多数误导：它是看像素按键鼠，还是直接写程序调API？难度和种子是什么？人类提前给了工具、路线还是坐标？这三条答案决定"通关"二字测的是哪一层能力。谷歌这份成绩单的价值不在27小时这个数字本身，分析者给出的那句话点破了它的真正边界：一次跑通证明存在一条可行路径，重复运行才能估计这条路径多常走得通。 接下来值得盯的是换种子、换难度的多次重跑，以及每次失败后回到主线需要多久。知乎
