AI大模型賦能智能學(xué)習(xí)機(jī),作業(yè)幫引領(lǐng)教育科技新浪潮享國(guó)家補(bǔ)貼立減15% 京東網(wǎng)絡(luò)巔峰換新網(wǎng)絡(luò)設(shè)備超劃算中國(guó)移動(dòng)孫滔當(dāng)選3GPP SA全會(huì)第一副主席IDC報(bào)告:中國(guó)電信入圍大模型市場(chǎng)份額Top8中國(guó)廣電回應(yīng)“通信電話營(yíng)銷”:已開展全面自查同款鋼筆京東售價(jià)僅天貓6折 下單前多比價(jià)避免買貴博帝推出創(chuàng)新USB-C 10Gbps M.2 2230移動(dòng)固態(tài)硬盤盒Viper EV330技嘉推出新款Z890 AORUS TACHYON ICE主板蘋果iPhone 16e銷量表現(xiàn)糟糕 難以拯救市場(chǎng)25年掃地機(jī)器人頂配新品:2倍清潔效率,16倍清潔壓強(qiáng)的科沃斯地寶X9 PRO發(fā)布!國(guó)內(nèi)手機(jī)市場(chǎng)1月數(shù)據(jù)發(fā)布:出貨量同比下降,5G手機(jī)占比提升微軟研發(fā)量子計(jì)算機(jī)幕后:項(xiàng)目曾遭否決,成果被質(zhì)疑“欺詐”飛亞達(dá)2024年財(cái)報(bào):營(yíng)收凈利雙下滑,毛利率小幅提升Cohere發(fā)布AI模型Command A,兩塊GPU就能高效運(yùn)轉(zhuǎn),企業(yè)部署成本降50%小米大模型團(tuán)隊(duì)登頂音頻推理MMAU榜,受到DeepSeek-R1啟發(fā)百度發(fā)布文心4.5與X1大模型,價(jià)格大幅降低引關(guān)注快手可靈AI全面接入DeepSeek-R1 DeepSeek靈感版已上線iPhone 17 Air為超薄機(jī)身犧牲電池和影像:安卓廠商不敢這么做Meta要用AR眼鏡取代智能手機(jī)?扎克伯格:10年內(nèi)!阿里云啟動(dòng)“T項(xiàng)目”加速下一代AI技術(shù)研發(fā)
  • 首頁 > 產(chǎn)經(jīng)新聞?lì)l道 > 業(yè)界新聞

    電腦游戲《Factorio》成為 AI 能力評(píng)估的新工具

    2025年03月17日 15:50:43   來源:AIbase基地

      《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(píng)估人工智能能力的新工具。這款游戲能夠測(cè)試語言模型在規(guī)劃和構(gòu)建復(fù)雜系統(tǒng)的能力,同時(shí)管理多個(gè)資源和生產(chǎn)鏈。

      為此,研究團(tuán)隊(duì)開發(fā)了一個(gè)名 “Factorio 學(xué)習(xí)環(huán)境”(FLE)的系統(tǒng),提供了兩種不同的測(cè)試模式。“實(shí)驗(yàn)?zāi)J?rdquo; 包含24個(gè)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(jiǎn)單的兩臺(tái)機(jī)器建造到復(fù)雜的近百臺(tái)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(gè) 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(gè)系統(tǒng)旨在測(cè)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(píng)估代理的表現(xiàn),研究者使用了兩個(gè)關(guān)鍵指標(biāo):“生產(chǎn)評(píng)分”,用于計(jì)算總產(chǎn)出價(jià)值,且隨著生產(chǎn)鏈復(fù)雜性的增加而呈指數(shù)增長(zhǎng);“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(chǎng)價(jià)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(píng)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(cè)試中,未包含大型推理模型(LRMs),但以往的基準(zhǔn)測(cè)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(cè)試顯示,參與評(píng)估的語言模型在空間推理、長(zhǎng)期規(guī)劃和錯(cuò)誤糾正方面面臨顯著挑戰(zhàn)。構(gòu)建工廠時(shí),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(zhǎng)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(duì)更復(fù)雜問題時(shí),往往陷入低效的調(diào)試循環(huán)。

      在測(cè)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,Claude 成功完成了24個(gè)任務(wù)中的15個(gè),而其他模型最多也只完成了10個(gè)。在開放測(cè)試中,Claude 的生產(chǎn)評(píng)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(cè)試更強(qiáng)大的語言模型時(shí)具有重要價(jià)值。他們建議擴(kuò)展該環(huán)境以包含多代理場(chǎng)景和人類表現(xiàn)基準(zhǔn),以便提供更好的評(píng)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(cè)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(cè)試。

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請(qǐng)謹(jǐn)慎對(duì)待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。

    即時(shí)

    新聞

    明火炊具市場(chǎng):三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。

    3C消費(fèi)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實(shí)力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡(jiǎn)直是創(chuàng)作者們的首選。

    研究

    中國(guó)信通院羅松:深度解讀《工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析體系

    9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會(huì)——工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析專題論壇在沈陽成功舉辦。