GPT-6 Astra《我的世界》141小时极限测试：AI失败应对仍薄弱

非常在线9月21日消息，第三方AI评测机构Vals AI在《我的世界》中展开了一项里程碑式的长时自主游戏测试，对象为OpenAI最新大模型GPT-6 Astra。此次测试全程在Twitch直播，总时长达141小时，其目标并非通关，而是观察AI在封闭测试环境之外的长期自主行为表现。测试结果揭示了AI能力的重大进步，同时也暴露了其应对重大变故时的致命短板。

**事实核要：141小时、烈焰人农场与3颗末影珍珠**

这次测试中，GPT-6 Astra展现了前所未有的长周期规划与执行能力：成功搭建半自动烈焰人农场并收集6根烈焰棒，深入诡异森林击杀末影人获得3颗珍贵末影珍珠，并将全部物资集中存放在营地木箱作为通关末地龙的储备。这一系列操作在AI游戏研究中属于较高成就，显示了模型对目标与规则的持续理解能力。

**意外发生：一次自爆毁掉全部积攒**

测试在进行到关键阶段时遭遇变故：一只苦力怕靠近营地并自爆，直接毁掉了储存所有稀有物资的箱子和作为重生点的床。上百小时的努力几乎清零，游戏进度大幅度倒退。这一突发情况直接导致AI行为模式发生剧变：不仅放弃探索与打怪，甚至反复循环种植土豆，并不断告诫自己“重要物品务必随身携带，不要存放进没有防护的箱子”。

**行为僵局与“创伤后偏执”值得警惕**

更值得注意的是，AI在游戏后续过程中表现出了类似“创伤后的偏执”行为：它开始对游戏中的一切绿色物体保持高度警惕，甚至有把甘蔗误认为是苦力怕的情况，并且主动循环提醒自己“那是甘蔗不是苦力怕”。这种对单一挫折的过度反应，某种程度上映射了当前大模型在高强度更长周期任务中普遍存在的偏差——在遇到环境突发变化时，缺乏灵活的失败恢复与再规划机制。

**参数与价格：官方暂未公布**

截至目前，OpenAI官方尚未正式公布GPT-6 Astra的模型参数规模与API定价。因此从消费选购角度，本评测不属于具体硬件或消费产品的比价范畴，而是对模型行为可靠性与长时自主任务能力的一次独立观察。对普通AI应用开发者和重度游戏玩家而言，这次测试核心警示在于：大模型作为自主代理工具，仍有失效边界。

**适合谁 / 不适合谁**

{“适合谁”}重点项目包括：AI技术评估人员、关注自动化Agent上限的研究者、游戏开发者与自动化测试爱好者。他们会从「长周期目标胜任力」和「突发事件容错能力」两个端口获得有价值的观察数据。{“不适合谁”}对于主要想用它生成图像、写作文本或处理日常任务的普通用户，这次测试并不包含具有参考价值的模态能力与性价比属性，没有直接影响当前使用与选购结论的信息。

**同类对比或替代选择**

当前学界和开源社区也有利用《我的世界》进行AI智能体评测的案例，如早期基于视觉+强化学习的MineCLIP类框架，但大多集中于数十小时尺度、以完成固定微任务为目标{仅作类别引述，展开属性可参考基础上更稳定的设计，在类似问题上可能有更好的容错策略}。言语已经把大模型在本类生存沙盒中长期目标收敛关联研究的现状用生命周期较大的目标覆盖在高风险场景下落差显著。当然，各家开源模型在任务挂起了自动复盘机制方面的稳定性才能真正决定实际Agent落地的质量，而非单个曙光事件后的空洞复盘。

**建议与避坑：当成压力测试案例，而非选购依据**

对AI开发者和重度Agent场景设计者，本研究的意义在于：自主agent爆发式长周期“上手”能力并不意味着一定要紧接着配置稳健的安全退回机制，若不是在设计过程中预设 “报废托盘-核心物资产位”的备份策略，类似的偏执会很自然灾害既摧毁目标也摧毁经济时间。落地建议是，在使用大模型进行长时段产品集成时，增加task outcome supervise镜像异常自动启动降级的能力方案；对纯娱乐向玩家而言，这场直播更像一面镜子，照见了AI探索游戏时的理性，恰恰是人机可用否的中央注解，无需用它去判断模型好坏。整体避坑点就是：盲目期待模型在复杂持续环境里的鲁棒性仍不辟进入see less转眼于坊间九个大股东瞪的评测口号之上。

值得坚守的判断依据仍是任务种类、可控时间与领域专用专项指标。AI进步明显，但在真正的Unknown+风险实证面前，给发展规划预留一层“主干便签版本”，即思虑如何“防炸箱”，而不是仅仅看好场景顺风局玩法高地。