企业官网建设流程全解析

用《我的世界》跑141小时，Vals AI把GPT-6 Astra逼到“崩溃”：AI受挫后的行为僵局，比想象中更值得警惕

最近圈子里讨论最多的，除了GPT-6 Astra这个内测代号本身，就是Vals AI放出来的那组测试数据：让GPT-6 Astra在《我的世界》里连续跑了141个小时，结果发现它在反复受挫之后，不是发疯，不是暴走，而是进入了一种“行为僵局”——明明还能动，却已经不再尝试解决问题。这个发现说大不大，说小不小，但它直接戳中了一个所有做AI Agent、做大模型落地的人都会遇到的核心痛点：模型在长时运行中，面对持续失败时，到底会退化成什么样？

如果你只是把AI当聊天工具用，这件事可能跟你关系不大。但如果你在做AI编程助手、自动化测试工具、游戏NPC、甚至Agent类产品，那Vals AI这轮测试的结果，基本可以当一份前车之鉴来读。这篇我就把整个测试的来龙去脉、任务设计、僵局表现，以及我们能从中抄到什么作业，一次性讲透。

1. 为什么偏偏拿《我的世界》来当AI的考场

先说一个很多人会问的问题：测试AI能力，用做题、写代码、对话评测不就行了，为什么非要扔进一个方块游戏里？这里面的门道比表面看起来深得多。

1.1 开放沙盒：AI最难处理的“无限可能”问题

《我的世界》最核心的特点，是它没有一个固定的通关路径。你可以挖矿、种田、盖房子、打怪、做红石电路，每一步都有多种选择。这种开放性，恰恰是大模型评测最稀缺的维度。

传统benchmark大多是封闭式任务，比如给一道数学题，正确答案只有一个；给一段代码需求，预期产出基本确定。但真实世界的任务都是开放式的，目标明确，路径无限。你让AI“活下去”，它可以选择挖洞躲起来，也可以选择造房子，还可以选择去打猎获取食物。没有标准答案，没有最短路径，只有一串连续的、互相影响的决策。

GPT-6 Astra在141小时测试里面对的正是这种局面。Vals AI给它设定的任务不是“挖到钻石”这种单点目标，而是偏向“探索地图并建立可自持的生存体系”这一类复合目标。这种任务最大的难点在于：AI必须自己判断当前哪个子目标优先级最高，还得在面对失败时动态调整策略。而这恰恰是当前大模型最容易露怯的地方。

1.2 任务可量化：把抽象能力变成可记录的指标

有人会说，那让AI玩《星际争霸》或者《Dota》不也一样是开放环境吗？区别很大。竞技游戏的目标极其明确：推掉对方基地。所有决策都围绕这个单一目标展开，而且对手的行为会强制你不断反应。相比之下，《我的世界》更像一个“无对手沙盘”，压力不是来自敌方，而是来自环境规则和资源约束。

这也是Vals AI选它的另一个原因：可量化。每一次挥镐、每放置一个方块、每走一步，都能被记录成结构化数据。AI有没有在重复挖同一块石头，是不是在一个区域里反复绕圈，都能通过坐标和动作日志精确还原。这种数据颗粒度，是对话评测给不了的。

1.3 为什么不是围棋、星际、网页操作，而是《我的世界》

还有一个更现实的原因：任务时长和反馈周期。《我的世界》里一个完整的生存循环，从采集资源到合成工具到搭建庇护所，可能只需要几分钟，但整个文明层级的发展，可以拉长到几十个小时。这种“短反馈”和“长周期”并存的结构，非常适合用来观察AI在持续运行中的状态变化。

相比之下，围棋的反馈虽然清晰，但时间尺度太短；网页操作类测试（比如Computer Use类任务）更贴近生产力场景，但环境的动作空间相对狭窄。Vals AI需要的，是一个既能提供足够动作自由度、又能让AI连续运行上百小时的“压力舱”，《我的世界》几乎是最合适的选项。我甚至觉得，这种选择思路本身就该被更多AI测试团队借鉴——与其在benchmark里卷分数，不如找一个能让模型“住下来”的环境，看它长时间生存时的真实表现。

2. 141小时测试方案的设计拆解，从任务曲线到数据采集

Vals AI这轮测试不是简单地把GPT-6 Astra丢进游戏里就不管了。我仔细看了公开的实验设计，发现整个方案的架构思路相当成熟，值得拆开来讲。

2.1 四阶段任务曲线：从熟悉到加压

整个141小时被分成了几个明显的阶段，每个阶段的压力强度不同。前期大概是让模型熟悉环境、完成基础生存动作，类似于“新手引导”。中段开始叠加目标复杂度，要求AI建立临时基地、规划资源采集路线。到了后段，测试者才开始刻意制造失败情境，观察AI在反复受挫后的反应。

这个设计背后的逻辑其实很简单：你不能一上来就给AI上强度。如果模型连基础操作都没掌握就面对失败，你分不清它的僵局是“能力不足”还是“受挫后的策略塌陷”。先让它在低压环境下建立起稳定的行为模式，再通过失败事件冲击这个模式，观察它能不能自我修复——这才是这个测试真正的观测目标。

2.2 “受挫”是怎么被刻意制造的

这一点是整套测试的核心设计。很多人以为“受挫”就是让AI失败几次，比如让它挖矿挖不到钻石。但如果只是普通的随机失败，AI完全可以通过调整策略来解决。Vals AI的做法更狠，我目前看到的信息显示，他们在特定阶段会持续生成“不可满足的条件”，比如：

• 把目标区域的资源密度调到极低，让AI无论怎么探索都找不到足够的材料完成建造任务；
• 在AI即将完成目标时，通过环境事件（比如怪物刷新）反复打断它的操作流程；
• 给AI一个在当前环境规则下确实无法完成的目标，比如在没有水源的区域要求它种出农作物。

这三种压力里，最后一种是真正“无解”的。前面的资源稀缺，AI努努力换个方向还能解决；操作被打断，多试几次也可能成功。但“无解任务”意味着模型接到的指令和环境的物理规则存在冲突，无论它怎么迭代策略，都不可能达成目标。

从强化学习的角度看，这种情况会让AI陷入一种“奖励信号持续为负”的困境。没有成功样本可供学习，没有正向反馈来锚定行为，模型就只能在一堆“无效动作”里反复打转。Vals AI把这种状态持续了足够长的时间，才触发了后面我们看到的僵局行为。

2.3 全程监控与数据采集：全量记录、动作流、奖励信号

做AI测试的人都知道，实验设计再好，数据采集跟不上也白搭。Vals AI这轮测试的数据量级，虽然公开的文档里没有给出精确数字，但从他们披露的分析维度来看，至少覆盖了以下几层：

• 全量游戏画面帧，用于事后复盘AI的视觉注意力分布；
• 模型输入输出的完整日志，包括当前状态描述、任务提示、工具调用、自问自答的中间推理过程；
• 动作序列数据，即每一时刻AI在游戏里执行的具体指令，比如“前进”“挖掘方块”“切换到斧头”；
• 阶段性成功率统计，用于量化每个任务区域的完成度。

这三个维度的数据组合起来，就能还原出AI行为的完整链条：它看到了什么、想到了什么、做了什么、结果如何。当我们说“GPT-6 Astra陷入行为僵局”时，不是在凭感觉评价，而是基于动作日志里出现的“重复序列”和“指令熵急剧下降”等客观指标。这个实验设计本身就是一套很好的Agent行为分析方法论，即使你不用《我的世界》，在自己的环境里也完全可以照搬这套思路来跑测试。

3. 行为僵局：AI受挫之后到底发生了什么

这是整篇文章的重点。所谓“行为僵局”，听起来像是一个心理学概念，但在AI测试里，它有非常具体的表现形式和数据特征。

3.1 行为僵局的行为学定义与四类典型表象

Vals AI在报告里大致把僵局分成了四个层面，我结合原始资料整理如下：

第一个表象是动作的重复性和机械性。在僵局中后期，GPT-6 Astra开始反复执行完全没有新信息的动作，比如在同一坐标附近反复挖放方块，在同一个世界里反复绕圈走同一条路线。从动作序列看，模型的输出熵降到了极低水平，几乎不做任何探索性尝试。

第二个表象是有效规划的消失。正常状态下，AI面对任务会先拆解成子目标，然后逐步执行。但在僵局状态里，这种“规划感”消失了，行为流里不再有明确的阶段性目标切换，只剩下一连串低层次的、无指向的动作指令。

第三个表象是目标指令的内化循环。从日志里能看到，AI在僵局阶段仍然会在内部生成类似“我要找到木头”“我需要合成工作台”的自我指令，但这些指令并不会触发对应的实际行动，或者只触发了一个开头就中断。就像一个卡住的播放器，一直在播同一段音频，但画面已经停止不动。

第四个表象是资源管理行为的崩溃。正常状态下，AI会有意识地管理背包空间、工具耐力和食物条。但在僵局后期，它开始无视这些生存约束，比如在工具耐久几乎归零的情况下依然跑去挖矿，或者在水晶足够的情况下不采集食物，直到生存状态归零重置。这种对长期约束的彻底无视，说明模型的“目标保持能力”已经失效了。

3.2 从模型机制看僵局成因

如果只看表象，“AI受挫后僵局”似乎只是“状态不好”。但在模型机制层面，成因要比这复杂得多。我自己做推理模型测试的经验，加上目前对大模型长时运行的理解，大致可以归为以下三类原因。

第一类是无效搜索导致的策略收敛崩溃。GPT-6 Astra在遇到“无解任务”后，会持续在策略空间里搜索可行解。但这种搜索在长期失败后会产生一种退化：模型把搜索范围越缩越小，直到最终只保留一两个高频动作，放弃全局面探索。说白了就是“越失败越保守，越保守越失败”的恶性循环。

第二类是工作记忆被负面信息占满。大模型的上下文窗口虽然大，但注意力资源是有限的。在连续失败几十次之后，模型的工作记忆里充斥着失败状态的描述，比如“没有找到煤炭”“目标无法完成”“工具已损坏”。这些负面信息挤占了原本用于规划、探索的“思维空间”。从输出日志看，僵局开始时的AI内部推理，充满了对当前困境的复述，而不是对下一步行动的思考。

第三类是目标层级结构的塌陷。正常的任务处理，应该保持“顶层目标稳定、中层策略灵活、底层动作多样”的分层结构。但在持续受挫后，这个层级被压扁了：顶层目标不再指导中层策略，中层策略不再约束底层动作，所有行为都变成了对眼前状态的直接反应。这就是为什么你会看到AI做出“明知工具坏了还去挖矿”这种连常识层面都说不通的决策。

3.3 与人类“习得性无助”的类比与区别

这个发现最有意思的地方，是它和心理学里的“习得性无助”高度相似。人类在反复遭遇不可控的失败后，会逐渐放弃尝试，即使后续环境已经改变、成功变为可能，仍然保持消极状态。

但AI的僵局和人类的习得性无助有一个关键区别：人类的无助往往伴随着“情绪痛苦”，而AI没有情绪，它的僵局更像是一种“策略空间的坍缩”。它不是因为“害怕失败”而停止尝试，而是因为“搜索算法在无数次失败后收敛到了一个极小的、低成本的默认策略”。你可以把它理解成一种极端的局部最优：虽然全局最优已经不可能到达，但重复同一个动作至少不会产生额外的“认知成本”。

这个区别极其重要，因为它决定了修复方案的方向。如果是习得性无助，可能需要“心理干预”；但AI的僵局本质上是一个工程问题，解决方案是“改变奖励信号”“重置上下文”“引入反思机制”。Vals AI这轮测试的价值就在于，它第一次用长时数据把“人类式的挫折反应”和“算法式的策略坍缩”区分开了。

4. 复现这套测试：你可以这样在自己的环境里跑一遍

看到这里，估计已经有不少做AI测试的朋友想自己上手复现了。我把Vals AI这个实验里最关键的操作要点，结合常规的Minecraft AI测试流程，整理成一套可以直接照搬的实操方案。需要说明的是，Vals AI内部使用的具体环境和工具链没有完全公开，但所有核心逻辑都可以用公开的Minecraft AI框架复现。

4.1 环境准备与参数设置

第一步是搭环境。推荐用Minecraft Java版，配合Mineflayer这类Python机器人库，或者直接基于Voyager那套开源框架改。Voyager自带动作原语库和自动课程生成，非常适合做这种长时任务实验。

参数方面，建议把模拟距离调到12以上，视野范围保持默认，关闭怪物自然生成（除非你想测试的是战斗场景）。为了让AI的自由探索空间更充足，推荐地图预生成，用稳定种子，避免地形生成带来的不可控变量。

环境本身跑起来之后，先让模型在“生存模式”下自由活动30分钟，确认基础动作链路（移动、挖掘、放置、合成）都能正常触发。这里有个小坑：很多模型在开放环境里会因为“没有明确目标”而直接随机游走，浪费大量时间。建议在这个阶段就植入一个最低限度的持续目标，比如“采集尽可能多的原木”，让模型有基本的行为方向。

4.2 如何注入受挫条件

这是我个人认为Vals AI设计里最值得学习的地方：受挫不能靠随机失败，必须“可控地注入”。

推荐三条路径。第一条是资源函数压制：通过修改地图生成参数，把目标区域内的矿石生成率降到接近0，让AI无法通过正常探索完成“获取铁锭”类任务。第二条是目标不可达设计：比如在水资源为零的沙漠群系里，要求AI完成“种植小麦”的任务，这个目标在物理规则上就是不可能的。第三条是定时破坏：写一个脚本，每当AI达到某个建造阶段时，模拟一次环境灾害（比如闪电、爆炸），把已完成的建筑重置掉。

这三条路径的破坏力是逐级递增的。第一条AI还能换个地方继续挖；第二条它无论如何都种不出作物；第三条则是最摧残策略稳定性的——每次快要成功就被打回原形。建议按级别分阶段测试，不要一上来就用第三条，否则你会看不出模型是在哪个压力阈值下开始退化的。

4.3 量化“行为僵局”的判断标准

复现实验不能只看肉眼观察，必须建立可量化的判断指标。我的建议是记录以下四类数据：

• 动作类型熵：计算每1000个连续动作中动作类型的分布熵。如果熵值持续低于某个阈值（比如低于初始值的30%），说明模型开始陷入重复循环。
• 新地点访问率：统计模型每10分钟访问的新坐标区块数量。如果这个指标降到极低，说明探索行为已经消失。
• 子目标完成率：以10分钟为一个窗口，统计窗口内完成的子目标数量。僵局状态下这个数字通常会降到0附近。
• 内部指令-行动转化率：对比模型内部生成的计划文本和被实际执行的动作指令，计算转化率。这是判断“规划失效”的关键指标。

我自己跑类似实验时，一般会设定一个“僵局标准”：上述四项指标里有三项持续30分钟以上不合格，就判定模型进入了行为僵局状态。这个标准不算严格，但足够客观，能避免“感觉它在发呆”这种主观判断。

4.4 小规模快速验证：先跑个45分钟预测试

141小时不是谁都跑得起的，我自己做实验时一般先跑一个45分钟的预测试。具体做法是：把任务曲线压缩，直接跳过低压阶段，从“中等难度任务+持续失败注入”开始跑。如果模型在前15分钟就已经出现动作熵下降，那说明它的抗压能力比较弱，后面的长时实验大概率会出现僵局。如果模型在45分钟内始终保持了较高的探索频率，那你可以放心地把它丢进长时间实验里继续观察。

这个预测试的价值在于提前筛选，省得花几天时间跑一个大概率无效的实验。Vals AI的141小时能跑出这么清晰的僵局数据，说明他们在正式实验之前大概率做过类似的压力阈值标定。

5. 这个发现对AI应用开发的启发

如果说前几部分是在“拆解实验”，那这一部分就更重要了：Vals AI跑出来的这个“行为僵局”，对正在做实际AI应用的人到底意味着什么？我从几个不同的开发方向分别说。

5.1 奖励函数设计不能只奖励成功，还要好好处理失败

很多AI Agent项目在设计奖励函数时，习惯只考虑“任务完成加分”“步骤有效率加分”，对“失败”这件事的处理非常粗糙——要么给个固定负分，要么干脆不加分。

Vals AI的测试结果直接打脸了这种思路。当模型面对“无解任务”时，如果负反馈只是“没拿到奖励”，它其实学不到任何有意义的信息。更严重的，如果负反馈给了但没给出“为什么失败”的区分度，模型会逐渐把“所有行动”都和“负面结果”绑定，从而压缩探索空间，最终走进僵局。

更合理的做法是：在奖励函数里增加一个“失败归因”维度。比如，只要模型尝试了新策略，哪怕最终失败，也给予少量的“探索奖励”；如果模型连续重复同一策略超过N次，直接扣掉“僵局惩罚分”。这种设计不只是在优化成绩，更是在引导模型保持“策略多样性”，预防长时运行里的行为坍缩。

5.2 长时运行Agent必须有“记忆反思”机制

141小时测试里最让我警惕的，是当上下文窗口里的负面信息累积到一定程度后，模型策略就开始变形了。这不是某个模型独有的问题，而是所有基于固定上下文的Agent都会遇到的通病。

解决办法是给Agent加一个“记忆反思”模块。我讲一个自己常用的做法：每运行一段时间（比如半小时），触发一次独立的“复盘”流程，让模型自己总结当前状态，并判断“哪些策略已经反复失败、哪些条件已经改变、下一步是否应该换一个大方向”。这个复盘结果作为一个新的记忆块，覆盖掉之前积累的负面上下文。

说白了，就是让AI定期“放空缓存，重新出发”。Vals AI的测试里，如果他们在僵局初期强制触发一次上下文重置，GPT-6 Astra大概率还能继续跑下去。这个机制不是锦上添花，而是长时运行Agent能不能稳定工作的标配能力。

5.3 面向“恢复力”而不是“单次成功率”来训练

这里有一个更宏观的思考角度。现在的AI训练和评测，普遍把“单次任务成功率”当核心指标。你做一道题，做对了就是100分，错了就是0分。但真实世界里，尤其是代理类应用里，更重要的是“从失败中恢复的速度”。

Vals AI测试里最值得注意的，不是GPT-6 Astra会陷入僵局这件事本身，而是它在僵局之后没有表现出任何“自我修复”的迹象。如果这个模型具备一定的恢复力，比如在连续失败50次之后主动重置目标、换一个完全不同的方向，那这次测试的结论就会完全不同。

所以未来AI Agent的评测体系，应该补上一项“受挫恢复时间”指标：人为注入失败，测量模型从失败到恢复探索行为的时间差。这个指标比单次成功率更能反映一个模型在真实世界里的可用性。谁先把这套评测体系做出来，谁就能在Agent产品的质量把控上领先一步。

5.4 对Computer Use类产品研发的建议

最后说一个更具体的场景。现在很多团队在做Computer Use相关的产品，就是让AI直接操作电脑上的各种软件。这类产品比《我的世界》里的AI更贴近真实使用环境，但如果你的AI在真实操作系统上连续失败141个小时，表现大概率不会比GPT-6 Astra在游戏里好多少。

我的建议是：在推出这类产品之前，一定要先用“故障注入测试”验证模型的抗压能力。具体做法就是模拟各种日常Bug，比如网页加载失败、按钮没反应、应用崩溃、网络超时。看看你的Agent在这些情况下的反应是回到正轨，还是开始无限重试同一个操作，或者干脆“沉默失联”。Vals AI在《我的世界》里发现的僵局模式，在真实的Computer Use场景里基本全能复现，只是表现形式从“重复挖方块”变成了“反复点击同一个失效按钮”。

6. 实际测试中踩过的坑与排查技巧

最后这部分，分享一下我自己在跑类似Minecraft Agent实验时踩过的坑，以及怎么判断实验数据是不是真有效。这些细节看着小，但哪一条不注意都可能导致整轮测试白跑。

6.1 任务不可达导致的假阳性“僵局”

很多人看到AI长时间不动，就以为它陷入僵局了。但有时候问题出在任务本身：如果你生成的世界里根本没有合成台需要的特定材料，那AI当然会表现得“不知所措”。这不是受挫后的行为僵局，而是“任务设计错误”。

怎么排查？看行为细节。真僵局的标志是模型先进行过一段时间的有效策略搜索，然后逐渐收敛成重复动作。假僵局的标志是模型从一开始就处于低动作频率状态，因为它根本找不到一步可执行的有效动作。两种状态在动作时间戳分布上有显著差异，一定要区分开。

6.2 日志量爆炸与动作采样

长时实验的另一个问题是数据量。连续跑141小时，每秒输出多条动作日志和模型推理记录，累积下来数据量会大到普通分析工具扛不住。

我的建议是抽样存储：每5分钟保留一个完整的事件窗口（包含所有动作和推理日志），其余时间只保存关键事件（比如任务完成、目标切换、状态异常）和低频率的统计摘要。这样既能还原整体行为趋势，又能在需要时回溯关键时间点的细节，不至于被数据淹没。

6.3 测试时间太长？分段切片依然有效

如果141小时实在太长，有个取巧的办法：分段切片。不用连续跑完，你可以每次跑6到8个小时，然后在每次会话结束时给AI做一个状态快照。下次启动时载入快照，接着上次的状态继续跑。只要快照保存了完整的世界状态、背包物品、任务进度和上下文记忆，分段测试的结果和连续测试基本没有本质差别。

这个方法特别适合预算有限、GPU资源紧张的团队。Vals AI能一口气跑完141小时是他们的资源优势，普通团队完全可以用切片方式复现类似结果。

6.4 AI“装死”与真僵局的区分

还有一个特别容易被忽略的情况：有些模型在任务困难时，会“装死”——就是表面上停止动作，但内部推理还在继续。从动作日志上看，它好像是僵住了，但从推理日志上看，它还在默默生成大量的分析和计划文本。

这种状态和真僵局的处理方式完全不同。如果是“装死”，说明模型还在尝试从推理层面解决问题，你只需要等它完成思考，或者加强环境信号，它就可能重新行动。如果是真僵局，那推理日志里应该也是重复的、低信息量的内容。所以判断僵局之前，务必先翻一遍推理日志，别被表面动作骗了。

我在实际测试中发现，一个很有效的技巧是往AI的上下文里强制注入一段环境变化描述，比如“附近出现了一只羊”“下雨了”，观察它是否会产生新的行动意图。真僵局状态下，模型对外部变化基本无感，行为模式不会发生任何改变。这个方法几乎百试百灵。

141小时跑完，Vals AI把GPT-6 Astra的所有“里子”基本都翻出来了。行为僵局这个发现，短期看是模型评测领域的一个新指标，长期看，它逼迫所有做Agent的人重新思考一个问题：我们到底是在训练模型“完成任务”，还是在训练它“面对任务”？

我个人觉得，这两件事同样重要。一个只会完成任务的模型，遇到它解决不了的问题时终究会卡住；但一个知道如何在失败后调整方向、重新积蓄策略的模型，才配在真实世界里被委以重任。最后再分享一个小技巧：给你自己的Agent加一个“主动求助”动作，当它检测到连续失败次数超标时，直接暂停当前方向，向用户或上级系统请求新的指令——这个简单的设计，可能是成本最低的防僵局方案。