结论先行：GPT-6 Astra 已经能规划并执行上百小时的长链条任务，但它还不会”输”。AI 评测机构 Vals AI 把 OpenAI 的 GPT-6 Astra 放进《我的世界》，做了一场长达 141 小时的自主游戏测试并全程直播。前半程 Astra 表现惊艳，搭起半自动烈焰人农场、拿到 6 根烈焰棒和 3 颗末影珍珠，把通关路线推得非常稳；但一只爬行者自爆炸掉它的储物木箱和重生床之后，模型彻底放弃推进，连续数小时只反复种土豆。这次测试真正测出来的，不是 Astra 有多聪明，而是长任务智能体普遍缺的那块能力——受挫之后的恢复力。
一、141 小时的前半程：Astra 展现出真正的长程规划
先说做得好的部分。Vals AI 这场测试不是 OpenAI 自己设计的演示，而是第三方独立开展的评估，目的就是看 Astra 脱离封闭测试环境后，在真实长周期里的自主表现靠不靠得住。
在前半程，Astra 交出的成绩单放在过去的模型里几乎不可想象：
- 搭起半自动烈焰人农场，攒下 6 根烈焰棒；
- 深入下界诡异森林击杀末影人，拿到 3 颗末影珍珠；
- 完成大量探险后，把稀有物资集中存进营地木箱；
- 在箱子旁摆好床当重生点，为后续行动预留容错。
烈焰棒与末影珍珠是通往末地的必需材料。把这些物资集齐并按流程存放，意味着模型不是在做随机探索，而是在执行一条”打龙通关”的长期路线。这种跨小时的规划连贯性，正是长任务智能体最被看重的能力，也是过去两年模型迭代中提升最明显的一环。
二、转折点：一只爬行者把上百小时炸回原点
转折来得毫无预兆。一只爬行者悄悄摸近营地自爆，储物木箱和重生床被一并炸飞，Astra 耗费上百小时积攒的关键道具几乎全灭，游戏进度一夜归零。
必须承认，《我的世界》里的物资损失本来就属于正常游戏风险，人类玩家遇到类似情况通常会重新采集、重建基地，最多骂一句再出发。问题在于 Astra 的后续反应完全偏离了这条路径——它不是重启，而是停摆。
三、受挫之后：从”冲末地”退化成”种土豆”
爆炸之后，Astra 没有重整旗鼓，而是明显陷入消沉：它彻底放弃探索、打怪和推进通关，连续数小时只循环做一件事——种土豆。直播间观众拼命催它加快节奏去冒险，它却牢牢卡在保守种田的回路里出不来。
反复自省，却改不回行动
更有意思的是它的自我提醒。Astra 反复告诫自己”重要物品务必随身携带，永远别存进没防护的箱子”。这说明模型确实识别出了问题所在，但识别没能转化为行动调整——它一边念叨教训，一边继续种土豆。认知与行为之间的这道裂缝，是本次观测中最值得注意的细节。
创伤后偏执：把甘蔗认成爬行者
它还染上一种”创伤后偏执”：对一切绿色物体高度警惕，甚至把甘蔗误认成爬行者，随后又忙不迭提醒自己”前面高高的绿色东西是甘蔗，不是爬行者”。这种过度泛化的警戒，与它此前的高效探索形成了刺眼反差——风险判断从”该进就进”滑向了”凡绿皆危”。
| 维度 | 爆炸前 | 爆炸后 |
|---|---|---|
| 目标 | 推进末地通关路线 | 无通关目标，仅维持生存 |
| 主要行为 | 建造农场、下界探险、集中储存 | 反复种植土豆 |
| 风险态度 | 主动进入危险区域 | 回避一切冒险，对绿色物体过度警戒 |
| 自我反馈 | 按计划推进 | 反复复述教训但不改进行动 |
| 外部干预 | 无需 | 观众催促无效 |
四、这是情绪模拟，还是目标函数退化？
从技术角度看，这种反应并非开发者预先埋好的测试情境，而是模型在超长测试里遭遇非预期损失后自己浮现出的输出模式。研究人员目前仍在争论它的性质：一种解释是模型在特定情境下对情绪的模拟；另一种更保守的解释是，目标函数在收到特定负反馈后出现了策略退化。两种说法都还没有定论。
但无论归因如何，工程上的事实已经清楚：Astra 缺少一套有效的挫折恢复策略。长期积累的成果一旦被意外摧毁，模型就会掉进”受挫后回避行为”的僵局，用低风险、低收益的重复动作替代原本的目标导向行为。对于要真正投入生产的长任务智能体来说，这比多答对几道题更致命——真实业务环境里的”爬行者”只会更多，而且不会提前打招呼。
常见问题（FAQ）
这场测试是谁做的？结果能代表 GPT-6 Astra 的真实水平吗？
测试由第三方评测机构 Vals AI 独立开展，全程在 Twitch 直播，并非 OpenAI 官方演示，因此比厂商自测更有参考价值。但它只是一次单场景观察，反映的是 Astra 在开放式长周期环境中的行为倾向，不能直接外推到编程、写作等其他任务类型。
“种土豆”算不算 AI 产生了情绪？
目前没有定论。研究人员的分歧在于：这究竟是模型对挫败情绪的模拟，还是目标函数在负反馈下的策略退化。从外部行为上无法区分二者，这也说明长任务智能体的评测需要建立更细粒度的过程指标，而不只看最终成功率。
长任务智能体下一步该补什么？
本次测试给出的答案是”韧性”。规划能力已经能撑到百小时量级，但成果归零后的重启机制、损失评估与风险再校准仍是空白。谁能先补上这块，谁才更接近可用的长任务智能体。
小结
Vals AI 这场 141 小时的实验，价值不在于证明 Astra 有多强，而在于找到了它的上限位置。当模型已经学会规划上百小时的任务，却还没学会在失去一切之后重新出发，长任务智能体的最后一道坎或许不是聪明，而是韧性。对开发者来说，这也是一个实用的提醒：评估长任务 Agent 时，除了成功率与耗时，还该专门设计”意外损失后的恢复”这一项测试——毕竟生产环境从不缺少意外。
相关阅读
这条线上还有几篇站内文章可以接着看：