通信人家园

 找回密码
 注册

只需一步,快速开始

短信验证,便捷登录

搜索

军衔等级:

  一级军士长

注册:2010-4-284
跳转到指定楼层
1#
发表于 2024-11-15 17:04:31 |只看该作者 |倒序浏览

测评大模型Agent能力,从未如此直观。

新旧两版Claude 3.5 Sonnet在《我的世界》里PK盖楼,差距不要太明显,引来大量围观。



如果让AI不断迭代,甚至能盖出一片建筑群。

为了避免Claude团队糟糕的命名方式造成混淆,下面跟随adi暂且把“新版Claude 3.5 Sonnet”称为“Sonnet 3.6”。



作者adi戏称其为目前“唯一可靠的评测基准”。

Aidan Bench作者Aidan McLau认为评测基准界正需要这个,审美也与智力显著相关。

他甚至愿意提供资金,把这个项目扩展成完整的评测。



总之在开源社区帮助下,代码迅速上架GitHub,更多模型测试结果陆续出炉中。



比如以慢思考著称的OpenAI o1系列,o1-preivew确实盖的更慢,但结构也更完整。o1-mini则无法胜任这个任务。



最终在人类喜好评估(2000+网友投票)中,Sonnet 3.6小赢了一手创意性。



如果不比创意比模仿真实建筑泰姬陵,o1-preview就占很大优势了。



照这个趋势下去,这款经典游戏很快就要从《别人的世界》变成《AI的世界》了……

新型MC Bench火了,竞技场模式开发中

大模型在《我的世界》里盖楼,并不是靠接管鼠标键盘,也不需要视觉理解能力。

而是通过文本提供上下文,并生成下一步操作指令,或许可以理解成根据棋盘行列编号下盲棋。

具体到游戏中,AI会控制一个角色,玩家只需要在聊天框中打字说明想要AI建造什么就可以了。



网友Mckay Wrigley制作了视频教程,在15分钟内就可以使用开源代码设置好测试环境。(地址在文末获取)



使用mineflayer开源库,可以把大模型生成的指令解析成可操作的API调用。



mindcraft开源库中则提供了适合任意模型玩《我的世界》的通用提示词,和少量in-context learning示例。



目前,MC Bench开源项目组打算进一步完善,做成类似Lmsys大模型竞技场一样的天梯机制,人类用户投票,使用Elo算法记分排名。



与此同时,更多其他模型的测试结果也在持续更新中。

更多AI作品

Claude Sonnet非常擅长以塔为主题自由发挥,只需给到足够算力。





o1-preview则可以发挥慢思考能力,用不同颜色的方块排列出太阳系。

不仅天体的顺序是正确的,连相对体积都有所体现,当然如果太阳按真实比例会让游戏崩溃……



小模型难以规划复杂的建筑,但理解和还原简单指令方面,gemini-1.5-flash胜过gpt-4o-mini



让开源大模型Llama 3 405B盖一个反应它自己个性的东西,AI选择了火坑上的钻石墙。



整体看下来,最有意思的或许还是这个:

让o1-preview自由发挥,随便盖一个酷的东西。

AI选择搭了一个机器人形象,并拼出GPT三个字母。



作者透露,接下来会继续测试一众中等大小开源模型。



目前初步结果,阿里Qwen 2.5-14B表现不错。



感兴趣的朋友可以玩起来了。

视频教程:https://x.com/mckaywrigley/status/1849613686098506064

开源代码:https://github.com/kolbytn/mindcrafthttps://github.com/mc-bench/orchestrator

参考链接:

[1]https://x.com/adonis_singh/status/1849529291085623372

[2]https://x.com/aidan_mclau/status/1849535981826752632


来源:36kr

举报本楼

您需要登录后才可以回帖 登录 | 注册 |

手机版|C114 ( 沪ICP备12002291号-1 )|联系我们 |网站地图  

GMT+8, 2024-11-24 13:14 , Processed in 0.208223 second(s), 16 queries , Gzip On.

Copyright © 1999-2023 C114 All Rights Reserved

Discuz Licensed

回顶部