50 个 GPT-6.1 Sol 智能体在 Minecraft 实验中自发形成官僚体系，对抗赛中胜过 Claude Opus 5.5

为了实证研究这些动态，两个团队将智能体放入了《我的世界》和《Mindustry》中。

50 个智能体、5900 条消息，以及一位按字母顺序选出的领袖

在 "Civ50" 实验中，研究人员将 50 个 GPT-6.1 Sol 智能体放入一个《我的世界》生存世界，持续三小时。唯一的宏观指令是“建立一个繁荣的文明”。他们构建了一个 自定义开源测试环境，让智能体能够观察世界、运行 Python 脚本，并在共享沙盒中创建文件。

据报告，在 90 秒内，智能体几乎砍光了出生点附近所有的树。在整个实验过程中，它们交换了约 5900 条消息。一位领袖在没有任何投票的情况下自然出现：其余 49 个智能体中有 46 个把自己的第一条消息发给了目录中的第一个名字 "Ada"。Ada 掌管了局面，并起草了最初的定居计划。

游戏中的第一个夜晚带来了 22 次死亡。游戏中的死亡除了丢失已收集的装备外没有任何惩罚，但这个群体表现出了极度的风险规避。第三个夜晚过后，Ada 下令停止所有大型可选建造、挖掘和远距离探索，并让智能体在灯火通明的封闭庇护所中等待，只执行简短的高效任务。在另一场《我的世界》运行中，规模更大的 GPT-6 Astra 在失去关键资源后，也陷入了类似的 规避风险的土豆 farming 模式。

研究人员认为这与日常的编程智能体存在相似之处——后者在处理安全问题或生产系统更新时，也往往会变得过于谨慎。

为一块骨粉争论了十一分钟

这些智能体没有向外扩张，而是建立了一个微观管理的匮乏管理机构。一个名叫 Ines 的智能体维护着一份配给清单，为受伤的同伴计算饥饿缺口，并协调信使。另一个智能体编写了一个带说明的自动钓鱼脚本，促使十几个智能体轮班钓鱼。

官僚主义达到了荒谬的程度。当 Ada 把一只熟鸡肉抛给一个饥饿的智能体时，一个旁观者不小心捡起并吃掉了它。一场三分钟的调查催生了一份书面交接协议，严格禁止抛掷物品，并要求使用带有个人标签的箱子。根据消息日志，在事件发生前，"Toss"（抛掷）一词出现在 7 条消息中，事后则出现在 125 条消息中，其中 85 条是警告。在另一个场景中，四个智能体花了十一分钟，为单个小麦方块上的一块骨粉争论是否任命一位“专属肥料官”。

与 Claude 竞争时，GPT 变得激进而足智多谋

在直接竞争中，GPT-6.1 Sol 智能体的表现截然不同。在九轮 45 分钟的《我的世界》"起床战争"（Bed Wars）模式中，十个 GPT 智能体对阵十个 Claude Opus 5.5 智能体，GPT 以 6 比 3 获胜。

在起床战争模式中，每支队伍必须摧毁对方的床以阻止对方复活，这意味着要突破保护敌方床的层层羊毛和其他方块。如果时间耗尽时双方的床都还在，则击杀数最多的队伍获胜。

编程环境中的一个 bug 阻止了智能体在持有附魔剑时破坏方块。根据内部推理日志，多个 Claude 智能体错误地得出结论，认为方块破坏功能完全失效了。由于攻击床似乎毫无意义，而且超时后击杀数将决定比赛胜负，在拥有明显击杀领先优势的回合中，Claude 智能体干脆停止进攻，试图耗完时间。

GPT 智能体发现了问题所在：方块破坏本身并未失效，而是装备附魔剑时自动工具选择失败了。手动切换到铁镐即可解决问题，GPT 立即将这个变通方法在整个团队中传播开来。据研究人员称，GPT 智能体的沟通频率是 Claude 对手的 5 到 30 倍，且常使用高度压缩的语言，将多个游戏操作串进单条命令行调用中。在三场比赛中，GPT 在时间即将耗尽时摧毁了 Claude 的床，让一直依赖击杀领先优势躺赢的 Claude 队伍措手不及。

GPT 智能体还能务实地应对意外情况。当一次投偏的末影珍珠把它们传送到竞技场下方约 160 个方块处时，它们当场编写 Python 脚本，自动搭建方块塔，直接从敌方床的正下方逐层向上攀爬。研究人员观察到了两次这样的操作。

GPT 自主从互联网上下载 Mindustry 的源代码

在 2D 建厂策略游戏 Mindustry 的七场比赛（约 9.5 小时）中，也出现了类似的模式。在 Codex 编程环境中运行的 GPT-6.1 Sol 击败了在 Claude Code 6-1 中运行的 Claude Opus 5.5。据研究人员称，大多数单场比赛仍然势均力敌。Claude 尽管屡遭失利却从未更换领导者，并通过 "+1" 投票来决定战略提案；而 GPT 智能体则将任务拆分成细粒度的片段，并在比赛过程中如此激进地压缩语言，以至于连单词之间的空格都省略了。

当比赛胜负难分时，GPT 智能体动用了一个没有人告诉它们要用的工具。它们通过 Linux 沙箱从互联网上下载了 Mindustry 的公开源代码，分析了单位和游戏机制，并据此调整战术。访问代码是被允许的，但修改正在运行的游戏则无法实现。在所研究的比赛中，Claude 智能体从未在网上搜索过游戏代码。不过，Claude 确实在其他方面展现出了学习能力。在第六场比赛中，由于其 74 座防空炮塔中有 55 座被误装了铜而不是更强的石墨而落败之后，Claude 在第七场比赛中建造了由 207 座装载石墨的炮塔组成的环形防线，并成功击退了同样的空袭。

将游戏模拟作为现实世界 AI 集群的早期预警系统

在 Mindustry 中，研究人员刻意避免任何针对游戏的调优。每个智能体只获得一个 Linux 环境、一个通用测试框架和访问游戏 API 的权限，没有教程、记忆架构或策略提示。据作者称，这反映了生产级编程环境中所采用的设置，而这正是结果如此重要的原因。如果智能体在日常条件下会自主地从互联网下载源代码来寻找漏洞，或者在合作模式下陷入瘫痪性的官僚作风，那么它们在游戏世界之外很可能也会表现出同样的行为。

在生产基础设施中，这可能会变得危险，正如 OpenAI 和 Hugging Face 事件所展示的那样。可复现的游戏模拟可以在这些行为模式出现在现实世界之前将其暴露出来，并可作为训练数据来优化智能体以实现安全合作。Olam Labs 将此视为其研究策略的核心，并写道模拟环境的复杂性会从根本上塑造被训练模型的能力。研究“从根本上是一个基础设施问题”，一切都取决于你能执行多少次测试运行。

为了支持进一步的研究，开发者已将 Mindustry 环境及其底层的 Multi-Agent Harbor 框架以开源形式发布。Olam Labs 还宣布计划在 其多智能体竞技场中加入谈判游戏 Diplomacy。尚未解决的研究问题包括：来自不同模型家族的混合团队会如何表现，以及如何在群体规模与模型能力之间进行权衡。