2026 年 10 月 18 日，Google DeepMind 公布一项实验：4 个 Gemini 4 Argon 智能体被投进随机生成的生存世界，没有预设分工，也没有任何游戏专用工具，27 小时 14 分后击杀末影龙通关。整个过程里它们现场写出 2783 段 JavaScript 程序，死亡 605 次。读坐标、背包与环境数据靠开源库 Mineflayer，具体动作则靠自己写代码去控制角色。实验记录里有完整的过程还原。
图 1：27 小时 14 分通关，期间死亡 605 次
分工是自己谈出来的
最值得看的一处细节在开局。不到 10 分钟，四个智能体就在游戏内的聊天频道里把活分完了：采食、挖矿、造工具、建下界传送门，四类任务各归一个，全程共交换 229 条消息。
这里没有中心调度器，也没有事先写好的角色分配表。四个智能体的分工是在聊天频道里谈出来的，谁接哪一块，靠的是彼此发消息协商。这一层比通关本身更有信息量，因为它说明多智能体协作可以只靠自然语言接口跑起来。调度方式上的另一种做法，可以对照Hermes 智能体框架来看。
22% 的代码是跑不通的
成绩单背面是一串失败记录。整个通关过程并不顺利，报错和重来是常态：
- 约 22% 的程序执行报错，写完要回头改
- 游戏服务器中途重启 6 次，每次都要重新接上环境状态
- 末地阶段耗掉近 14 小时、死亡 69 次，最后靠方块垫高逐个打掉 10 个回血水晶才结束战斗
605 次死亡和 22% 的报错率放在一起看，指向的是同一件事：它不是靠一次写对，而是靠写得快、错得快、修得快。这套方法的工作方式，更像一个不断提交、不断回滚的工程循环。完整的实验过程复盘里能看出这套循环的节奏。
成本能算出来
账目也给得很实。全程约 2.4 万次模型调用，13.5 亿输入 token，其中 91% 命中缓存。按不同 Gemini 4 Argon 价格档估算，一次通关的模型开销是 520 至 1620 美元。
这个区间的跨度本身就是结论的一部分：它取决于缓存命中率和调用的价格档位，而不是任务难度。换句话说，长时程智能体的成本，主要由上下文复用效率决定。这个维度在Hermes 与 OpenClaw 的对比里可以接着往下读。
局限比成绩更值得看
这份实验没有把光环做满，论文自己就写清了边界。三条限制都必须读：
- 难度设为 Easy，不是更高难度
- 智能体能读到人类玩家看不到的方块数据
- 尚不能证明这套能力可以迁移到真实工作
第二条尤其关键。智能体能读到人类玩家看不到的方块数据，意味着它拿到的环境信息比真人玩家更细，通关难度因此不能直接类比人类表现。把这套成绩单当成通用能力的证据，会读得过满。
图 2：论文已于 10 月 15 日上传预印本平台
这次通关证明了什么
论文 10 月 15 日已上传预印本平台，作者是 Maxence Faldor、Satinder Singh、Roberta Raileanu。它证明的事情相当具体：在长时程、需要分工、需要反复失败重来的任务里，通用模型加现场写代码这条路能走通，与Archon 那种预先编好的 YAML 工作流正好是两条相反的路。
它没有证明的事情同样具体：能力能不能从方块世界搬到真实工作场景。能通关，不等于能上班。前者的环境是封闭的、规则固定的、可以无限重试的；后者的环境是开放的、代价真实的、失败不可回滚的。这两者之间的距离，比 27 小时 14 分要长得多。
更新时间：2026-10-19