AI评测基准

突破评测温室：多模态AI在复杂现实任务中的能力断层

美团LongCat团队推出首个分钟级长程任务评测基准MineExplorer，系统揭示当前顶级多模态大模型在需要长程规划与处理隐藏前置条件的现实世界任务中，存在的显著能力断层。现有“温室”式评测无法反映AI解决复杂、多步骤真实问题的能力。本文深入剖析MineExplorer的设计理念、测试发现及其对AI未来发展的启示，强调让AI直面动态世界的必要性。