把 50 个顶尖的 GPT-6.1 Sol 智能体放进《Minecraft》生存模式，只给一个目标“建立繁荣文明”，3 小时后会得到什么？YC Labs 和 Olam Labs 在 2026 年 10 月给出的实测答案是：一个躲在地下避难所里、发了约 5900 条消息、靠写配给账本和审批许可证度日的微型官僚机构。团队同步开源了底层运行框架 minecraft-agent-harness，并披露 GPT-6.1 Sol 在《Minecraft》起床战争（Bed Wars）和《Mindustry》对抗赛中分别以 6–3 和 6–1 击败了 Claude Opus 5.5。
很多人看着实验日志惊叹 AI 涌现出了人类社会般的政府、法律与创伤后避险反应。但如果顺着开源代码把底裤扒开，你会发现这根本不是什么文明跃迁，而是多智能体撞上通信摩擦与安全对齐过度补偿后的集体早衰。
90 秒砍光树，3 小时忙着批条子
在代号 Civ50 的核心实验里，50 个智能体开局极其凶猛，不到 90 秒就砍光了出生点附近所有够得着的树。
紧接着，权力结构诞生了。名叫 Ada 的智能体成了事实上的殖民地领袖，所有人都发私信找她批条子，由她在共享沙盒里撰写全局规划文件 plans/settlement.md。这听起来很像政治学里的魅力型领袖涌现，但真相非常扫兴：智能体们共享了一份通讯录目录，Ada 只是按字母表顺序排在第一个。大模型顺着列表往下读，直接把榜首当成了上级。
真正的转折发生在第一夜。矿工 Rafe 被僵尸追杀致死，去农场送骨粉的 Vera 被蜘蛛咬死，50 个智能体在首夜集中爆发了 22 次死亡（整场 3 小时实验一共只死了 34 次）。
从第二夜开始，这群 AI 彻底怂了。Ada 在第三夜后直接下令停止非必要的采矿、建造和远距离侦察，要求全员“待在有照明的封闭避难所里挂机，直到被分配简短的生产任务”。整个殖民地迅速转入战时配给制：智能体 Ines 专职维护一份 food-queue.md 账本，连吃一条烤鳕鱼、分一个苹果都要精确核算饥饿值缺口、核对箱子坐标、走私信审批，甚至出现了一只烤鸡交接不清还要立案调查的荒诞戏码。
扒开开源脚手架，哪有什么创伤后应激
为什么一个没有真实痛感、死后立刻重生、仅掉落随身装备的游戏环境，会把 50 个顶尖大模型吓成惊弓之鸟？
我不太买账的是把这种现象包装成社会学涌现。只要看一眼 YC 开源在 GitHub 上的 minecraft-agent-harness 架构，所有的拟人化滤镜都会碎一地。
在这个框架里，每个智能体跑在独立的 Node.js 进程中，通过 Pi 处理推理与会话循环，用 Mineflayer 转化游戏动作，感知范围被严格限制在视线内 64 格。智能体之间靠 SQLite 邮箱收发私信，共用一个带 Shell 权限的沙盒。
关键变量藏在状态注入机制里。每次智能体死亡，系统不仅让它复活，还会在它电脑的 death_log.md 文件里追加一行死亡记录。在后续每一轮模型调用前，这些状态文本都会被塞进上下文。
大模型根本不懂什么叫生命可贵，但它极度敏感于上下文里的负面报错与伤亡字眼。当 22 条死亡记录顺着共享文档和私信在集群里高频流转，立刻触发了前沿模型底层安全对齐（Safety Alignment）里的风险规避倾向。
至于那套繁琐的配给账本和许可证制度，说穿了就是把“大厂病”搬进了沙盒。MINDcraft（MineCollab）团队早在 2025 年 4 月的论文里就拿数据证明过，通信是多智能体协作的最大瓶颈，要求智能体之间沟通详细计划会导致整体性能下降高达 15%。
算力没有变成镐头下的矿石，全变成了审批流里的废话。
当 50 个习惯了写长文、列计划的推理模型被关进同一个文本沙盒，发私信和改 Markdown 成了摩擦最小、最符合模型训练偏好的动作。就像 Hacker News 社区里毒舌程序员嘲讽的那样，这群智能体面对日常小挫折时用繁琐流程和许可制度自缚手脚的样子，像极了大公司里“过于严肃的高级工程师”。古人讲“十羊九牧”，九个牧人管十只羊，羊还没吃上草，牧人光核对账本就先把口粮耗光了。
- 风险.在共享记忆与状态注入架构下，单个节点的报错或损耗极易通过文本广播引发集群级的保守瘫痪，让多智能体系统用高频的行政内耗替代真实业务执行。
GPT-6.1 大胜 Claude Opus 5.5？一场被混淆的脚手架战争
除了生存实验，YC Labs 还在报告后半部分放出了更具火药味的对抗数据：在 9 场 10v10 的《Minecraft》起床战争（Bed Wars）和 7 场《Mindustry》即时战略对抗中，GPT-6.1 Sol 分别以 6–3 和 6–1 的大比分击败了 Claude Opus 5.5。
如果只看比分，很容易得出 OpenAI 新模型在群体博弈上碾压 Anthropic 的结论。但把实验设置拆开看，这个比分的水分不小。
| 对抗项目 | 参战规模与场次 | 核心比分（GPT-6.1 Sol vs Claude Opus 5.5） | 隐藏的工程与架构变量 |
|---|---|---|---|
| Minecraft 起床战争 | 10v10，共 9 场 | 6–3 | 依赖高级封装工具，实时对抗退化为近似回合制 |
| Mindustry 战略对抗 | 集群对抗，共 7 场 | 6–1 | 实为 Codex 环境与 Claude Code 环境的系统级对决 |
在《Mindustry》的比赛里，测试并不是把两个裸模型放在同一套中立接口下跑，而是直接让运行在 Codex 里的 GPT 对阵运行在 Claude Code 里的 Claude。这考的早就不是单纯的模型智商，而是两边外围智能体脚手架（Harness）的工具调用效率、中断调度与脚本执行速度。而在《Minecraft》起床战争这种强实时对抗里，由于大模型推理延迟高，两边的智能体打起来动作迟缓，在旁观者眼里几乎退化成了“回合制游戏”。
用游戏模拟多智能体社会并不新鲜。早在 2024 年，Altera 的 Project Sid 就跑过上千个智能体的分工与规则形成；随后学术界也推出了包含 55,000 个任务变体的 TeamCraft 和专门测试团队对抗的 PillagerBench。MINDcraft 主创在 2024 年 10 月就曾专门撰文警告，公众看演示视频时极易过度拟人化这些机器人，从而掩盖了底层高度封装的自动化脚本（比如这次框架里通过 HTTP 中继直接返回结构化 JSON 的一键 go_to 和 gather 工具）。
对正在做多智能体基础设施的团队来说，YC 这次开源 minecraft-agent-harness（默认配置已切到 GPT-6.1 Terra）真正的价值，是把多进程并发与通信死锁摊在了明面上。接下来最值得盯紧的，就是他们正在 Twitch 上直播的那 25 个 GPT-6.1 Terra 智能体新殖民地——砍掉一半人口后，这群 AI 究竟能不能走出地下室去挖矿，还是继续坐在箱子旁互相批条子。