Четири агента Gemini 4 Argon победиха Minecraft сами

Четири агента, задвижвани от Gemini 4 Argon, са изиграли Minecraft от нулата до финалния бос — без нито една човешка намеса по време на играта. Изследователите от Google DeepMind Максенс Фалдор, Сатиндер Сингх и Роберта Райляну описват пробега в статия в arXiv, публикувана на 15 октомври. Агентите тръгват с голи ръце в случайно генериран свят и убиват Ender Dragon за 27 часа и 14 минути, като по пътя пишат 2783 програми и умират 605 пъти.

Това, по думите на авторите, е първото докрай автономно завършване на Minecraft от AI агенти — без предварително проучен seed, без ръчно написана логика за играта и без инструменти, скроени специално за нея.

Какво точно са получили агентите

Нищо извън едно изречение инструкция: „победете Ender Dragon“. Никой не им е раздавал роли, не им е подавал план и не им е обяснявал механиките.

Всеки агент управлява по един играч чрез Mineflayer — стандартна open source библиотека, през която JavaScript код движи бот в сървъра. Цикълът е прост: агентът пише програма, ботът я изпълнява в общия свят, обратно се връща текст. Координацията минава през чата на играта и споделени бележки.

Снимка: Faldor, Singh, Raileanu / arXiv (CC BY 4.0)

Изследователите са наблюдавали всичко на жив dashboard и са можели да спрат пробега по всяко време. Според статията не им се е налагало — единствените прекъсвания са шест рестарта на сървъра.

Числата

Пътят минава през тринайсет зависими една от друга стъпки — от първото дърво през желязото и нетер портала до крепостта и The End. Пропуснеш ли една, следващата е невъзможна, а грешка на осмия час се плаща на двайсетия.

• 2783 написани и изпълнени програми
• 605 смърти
• 229 съобщения в чата
• около 24 000 обръщения към модела
• около 1,35 милиарда входни токена, от които 91% от кеша, и около 16 милиона изходни (4 милиона от тях — „мислене“)

Сметката за API е изненадващо скромна: около 520 щ.д. (приблизително 465 €) за четиримата агенти по въвеждащата тарифа на Argon и около 810 щ.д. (около 720 €) заедно с петия, наблюдаващ агент. На стандартната цена от 4 щ.д. за милион входни и 20 щ.д. за милион изходни токена същият пробег би излязъл съответно 1040 и 1620 щ.д. Кешираният вход се таксува с 95% отстъпка — оттам идва голяма част от икономията.

Как се разпределиха сами

Най-интересното в статията не са рекордите, а поведението, което никой не е програмирал. Четиримата агенти — janesick, gyldenia, auratian и bulicame — се разделят по задачи още в първите минути през чата: инструменти, храна и запаси, портали, строеж на убежище.

Нататък се появяват неща, които приличат на екипна дисциплина: споделена документация (146 запазени състояния и 42 помощни функции, ползвани от всички), прибиране на вещите на загинал съотборник, предупреждения за опасности и лог с грешки, за да не повтаря някой чужда грешка. В един момент auratian поправя колега, който е обявил успех, без да го е постигнал.

На единайсетия час janesick хвърля две Eyes of Ender на минути разстояние и триангулира пресечната точка, за да намери крепостта — класически трик на опитните играчи, тук изведен от самия агент.

Решаващият момент на 21-ия час

Първите опити срещу дракона се провалят, защото здравето му не пада. Един от агентите стига до причината — лекуващите кристали по обсидиановите колони — и измисля как да ги стигне без кирка, като трупа блокове пръст. След това финалът идва за около пет часа и двайсет минути.

Какво не доказва пробегът

Авторите са коректни за ограниченията, което е важно, защото резултатът лесно се преувеличава. Светът е на лесна трудност. Агентите не гледат пиксели — те „виждат“ през код и текст. Minecraft е много добре описана в данните за обучение, така че част от знанието е наготово. И най-същественото: това е един успешен пробег, не статистика.

Практическата връзка, която DeepMind прави, е към софтуерното инженерство: дълги задачи с хиляди зависими стъпки, в които екип от агенти трябва да държи общ план, да се поправя и да не губи нишката повече от денонощие. Същата лаборатория отчита 77,9% за Argon на DeepSWE v1.1 — бенчмарк за реални задачи по поддръжка на код.

Заключение

Minecraft е удобен полигон точно защото няма пряк път: трябват часове последователни решения, а една грешка руши верига от десетки стъпки. Че четири агента издържат денонощие в такава среда за под хиляда евро, е по-добър знак за зрелостта на агентните системи, отколкото поредният бенчмарк. Струва си обаче да се помни колко лесно същите системи се провалят в ежедневни задачи — скорошният експеримент, в който шест агента изпратиха 187 писма за едно възстановяване на билет, приключи с нула върнати пари. Новината беше отразена и от Engadget, и от The Decoder.