《Factorio》是一款復(fù)雜的電腦游戲，專注于建造與資源管理，最近成為研究人員評估人工智能能力的新工具。這款游戲能夠測試語言模型在規(guī)劃和構(gòu)建復(fù)雜系統(tǒng)的能力，同時管理多個資源和生產(chǎn)鏈。

　　為此，研究團(tuán)隊(duì)開發(fā)了一個名 “Factorio 學(xué)習(xí)環(huán)境”(FLE)的系統(tǒng)，提供了兩種不同的測試模式。“實(shí)驗(yàn)?zāi)Ｊ?rdquo; 包含24個結(jié)構(gòu)化挑戰(zhàn)，設(shè)定了具體目標(biāo)和有限資源，任務(wù)從簡單的兩臺機(jī)器建造到復(fù)雜的近百臺機(jī)器工廠都有。而在 “開放模式” 下，AI 代理可以探索程序生成的地圖，唯一目標(biāo)是建造盡可能大的工廠。

　　代理通過一個 Python API 與《Factorio》進(jìn)行交互，能夠生成代碼以執(zhí)行各種操作并檢查游戲狀態(tài)。這個系統(tǒng)旨在測試語言模型合成程序的能力以及處理復(fù)雜系統(tǒng)的能力。API 允許代理執(zhí)行諸如放置和連接組件、管理資源和監(jiān)控生產(chǎn)進(jìn)度等功能。

　　為了評估代理的表現(xiàn)，研究者使用了兩個關(guān)鍵指標(biāo):“生產(chǎn)評分”，用于計算總產(chǎn)出價值，且隨著生產(chǎn)鏈復(fù)雜性的增加而呈指數(shù)增長;“里程碑” 則跟蹤諸如創(chuàng)造新物品或研究技術(shù)等重要成就。游戲的經(jīng)濟(jì)模擬考慮了資源稀缺性、市場價格和生產(chǎn)效率等因素。

　　研究團(tuán)隊(duì)，包括來自 Anthropic 的科學(xué)家，評估了六種領(lǐng)先的語言模型在 FLE 環(huán)境下的表現(xiàn)，包括 Claude3.5Sonnet、GPT-4o 及其迷你版、DeepSeek-V3、Gemini2.0Flash 以及 Llama-3.3-70B-Instruct。在這輪測試中，未包含大型推理模型(LRMs)，但以往的基準(zhǔn)測試表明，像 o1這樣的模型在規(guī)劃能力上表現(xiàn)優(yōu)異，盡管自身也存在局限性。

　　測試顯示，參與評估的語言模型在空間推理、長期規(guī)劃和錯誤糾正方面面臨顯著挑戰(zhàn)。構(gòu)建工廠時，AI 代理在高效安排和連接機(jī)器方面出現(xiàn)困難，導(dǎo)致了次優(yōu)布局和生產(chǎn)瓶頸。戰(zhàn)略思維同樣成為挑戰(zhàn)，模型們普遍更傾向于優(yōu)先考慮短期目標(biāo)，而不是長期規(guī)劃。此外，盡管它們能夠處理基本的故障排查，但在面對更復(fù)雜問題時，往往陷入低效的調(diào)試循環(huán)。

　　在測試的模型中，Claude3.5Sonnet 表現(xiàn)最為出色，但仍未能掌握所有挑戰(zhàn)。在實(shí)驗(yàn)?zāi)Ｊ街校珻laude 成功完成了24個任務(wù)中的15個，而其他模型最多也只完成了10個。在開放測試中，Claude 的生產(chǎn)評分達(dá)到2456分，GPT-4o 以1789分緊隨其后。Claude 展現(xiàn)出復(fù)雜的《Factorio》游戲玩法，通過其戰(zhàn)略性制造和研究方法，快速從基礎(chǔ)產(chǎn)品轉(zhuǎn)向復(fù)雜生產(chǎn)過程，尤其是電鉆技術(shù)的提升，顯著提高了鐵板的生產(chǎn)速度。

　　研究者認(rèn)為，F(xiàn)LE 開放且可擴(kuò)展的特性，使其在未來測試更強(qiáng)大的語言模型時具有重要價值。他們建議擴(kuò)展該環(huán)境以包含多代理場景和人類表現(xiàn)基準(zhǔn)，以便提供更好的評估背景。這項(xiàng)工作進(jìn)一步豐富了基于游戲的 AI 基準(zhǔn)測試的集合，其中還包括 BALROG 和即將推出的 MCBench，這些都將利用《Minecraft》進(jìn)行模型測試。