四个 Gemini 4 Argon agent 用 27 小时打通 Minecraft：2783 个自己写的程序，死了 605 次，一个没人去按的停止键

四个 Gemini 4 Argon agent 被丢进同一个 Minecraft 生存世界，拿到一句话的目标，打败末影龙，然后做到了。论文 10 月 15 日上 arXiv，作者是 Maxence Faldor、Satinder Singh 和 Roberta Raileanu，Google DeepMind 的账号转发了演示。每个 agent 通过开源 JavaScript 机器人库 Mineflayer 操控一个玩家，靠写程序和跑程序，而不是看画面或按键。第五个观察者 agent 全程在看，从不下场。没人分配角色，也没人写游戏逻辑。从一个随机种子的简单难度开局，团队写了 2783 个程序，用 27 小时 14 分钟杀死了龙，路上死了 605 次，其中 69 次死在龙手里，末地那场战斗打了将近 14 小时。

质感在更小的数字里。agent 们在获胜前交换了 229 条聊天消息。22% 的程序以报错结束。程序运行时间中位数 33.5 秒，每个玩家大约 40% 的时间有程序在跑，他们把要塞三角定位到了离真实传送门 43 米以内。这次运行按入门期标价大约 520 美元，含观察者的整场大约 810 美元，13.5 亿输入 token 里 91% 来自缓存。HowLongToBeat 的人类中位数通关 Minecraft 主线要 45 小时，带种子的速通记录不到七分钟。重点不是速度。重点是四个 agent 在一天多的时间里、跨几千个相互依赖的步骤守住了一个连贯的计划，分工、分享所学、在死亡后互相捡回掉落的物品，全程没有人介入。

把它抬到噱头之上的是那套监督框架。研究者能看实时面板，随时暂停或停止，但没有理由介入。观察者 agent 没标出任何钻空子行为，人工翻日志没发现安全事件。这就是可看、可停、从不需要的那个模式，演示用的是 Google 三天前刚全面开放的模型，而这恰恰是真实多 agent 软件工作会有的形状：长周期编码、在共享频道上协调、一个本该能叫停它但大多时候只是在看的人。

作者对局限很谨慎，这也是论文比标题更值钱的原因。Mineflayer 把精确的方块和实体状态交给 agent，包括人类看不到的龙的内部状态，所以靠画面玩仍然难得多。简单难度意味着怪物伤害更低、饥饿不会致死。模型的训练数据里塞满了 Minecraft 和 Mineflayer，所以这测的是应用已知知识，不是学一个没见过的游戏。而且这是单次运行，说不了这套设置赢得有多稳。此前一个社区项目用一个 Claude Opus 5 agent 加 37 个手写高层工具杀了龙，这里的主张正相反：标准库加一段话就够了。六次服务器重启总共让世界中断了约 20 分钟，这是今年任何 agent 演示里最诚实的一句话。

链接：https://arxiv.org/abs/2610.22319 ，https://x.com/maxencefaldor/status/2111023397106770026