《我的世界》成AI新考场？高三生用游戏测评AI：DeepSeek-R1位列第三

游戏化AI评测MC‑Bench借助《我的世界》平台，通过直观的视觉对比，让AI推理能力在安全可控环境中得到检验，相较于传统评测方式更具优势。Adi Singh指出，游戏环境可成为测试自主推理能力的理想媒介，既安全又易于控制，能更真实反映AI的实际应用表现。

与传统AI评测难以全面衡量大模型实际能力相比，游戏化评测具备以下独到优势：

（1）模拟真实世界复杂度：游戏往往包含多层次挑战，可考验AI的问题解决能力、策略思维和适应能力；（2）评估AI的自主决策能力：在游戏环境中，AI需要独立做出决策，而不仅仅是执行预定义的任务；（3）可控环境：游戏提供了可重复测试的环境，可以在相同条件下对比不同AI的表现；（4）安全性：与直接在现实世界中部署AI相比，游戏环境为AI评测提供了更安全的测试空间。

因此，Adi Singh坚信游戏化评测有望成为未来AI评测的重要趋势，因为它不仅让AI研究变得更有趣，也让普通人能够更直观地理解AI发展水平。

选择《我的世界》作为评测对象，主要基于其全球知名度——作为全球销量最高的电子游戏之一，即使非玩家也能直观判断方块版“酒杯”的逼真程度。

全球用户群体方面，《我的世界》拥有上亿玩家，能吸引大量用户参与AI评测，形成众包数据。

易于理解和评判方面，相比代码输出或文本生成，视觉化的建筑作品更容易让普通用户参与评测，无需懂编程也能看出哪座建筑更有创意和写实。

测试AI的复杂能力方面，建造建筑不仅考验AI的生成能力，还涉及逻辑推理、规划、空间认知等能力，而这正是传统AI评测难以全面覆盖的。

从技术角度看，MC‑Bench本质上也是一个编程基准测试，AI模型需编写代码完成建造任务，例如“堆雪人”或“在宁静的沙滩上建造一座迷人的热带小屋”。但通过视觉化呈现，降低了参与门槛，使任何人都能参与AI模型评测，从而增加项目吸引力并为AI性能数据收集提供新途径。

大型AI公司支持，8名志愿者推动

当前MC‑Bench已公开上线（https://mcbench.ai/），用户可访问并评判AI生成作品，投票数据公开。根据官网，团队仅由8名志愿者维持日常开发维护。

Anthropic、Google、OpenAI和阿里巴巴等大型AI公司提供了模型访问权限用于基准测试，但未与项目建立官方合作关系。

MC‑Bench官方胜率排行榜显示，Claude 3.7 Sonnet位居第一，近来爆火的DeepSeek‑R1排在第三名。

目前MC‑Bench主要评估基础建造能力，以衡量AI从GPT‑3时代至今的进步。未来计划拓展至长期规划和目标导向型任务。

他补充说，MC‑Bench排行榜与个人体验高度一致，表明平台能为用户提供有价值见解。

AI评测的未来或许在于游戏化场景，如MC‑Bench通过《我的世界》让大众参与评判，为AI发展提供新视角，这种模式颇具潜力。