《Factorio》是一款復雜的電腦游戲，專注于建造與資源管理，最近成為研究人員評估人工智能能力的新工具。這款游戲能夠測試語言模型在規劃和構建復雜系統的能力，同時管理多個資源和生產鏈。

　　為此，研究團隊開發了一個名 “Factorio 學習環境”(FLE)的系統，提供了兩種不同的測試模式。“實驗模式” 包含24個結構化挑戰，設定了具體目標和有限資源，任務從簡單的兩臺機器建造到復雜的近百臺機器工廠都有。而在 “開放模式” 下，AI 代理可以探索程序生成的地圖，唯一目標是建造盡可能大的工廠。

　　代理通過一個 Python API 與《Factorio》進行交互，能夠生成代碼以執行各種操作并檢查游戲狀態。這個系統旨在測試語言模型合成程序的能力以及處理復雜系統的能力。API 允許代理執行諸如放置和連接組件、管理資源和監控生產進度等功能。

　　為了評估代理的表現，研究者使用了兩個關鍵指標:“生產評分”，用于計算總產出價值，且隨著生產鏈復雜性的增加而呈指數增長;“里程碑” 則跟蹤諸如創造新物品或研究技術等重要成就。游戲的經濟模擬考慮了資源稀缺性、市場價格和生產效率等因素。

　　研究團隊，包括來自 Anthropic 的科學家，評估了六種領先的語言模型在 FLE 環境下的表現，包括 Claude3.5Sonnet、GPT-4o 及其迷你版、DeepSeek-V3、Gemini2.0Flash 以及 Llama-3.3-70B-Instruct。在這輪測試中，未包含大型推理模型(LRMs)，但以往的基準測試表明，像 o1這樣的模型在規劃能力上表現優異，盡管自身也存在局限性。

　　測試顯示，參與評估的語言模型在空間推理、長期規劃和錯誤糾正方面面臨顯著挑戰。構建工廠時，AI 代理在高效安排和連接機器方面出現困難，導致了次優布局和生產瓶頸。戰略思維同樣成為挑戰，模型們普遍更傾向于優先考慮短期目標，而不是長期規劃。此外，盡管它們能夠處理基本的故障排查，但在面對更復雜問題時，往往陷入低效的調試循環。

　　在測試的模型中，Claude3.5Sonnet 表現最為出色，但仍未能掌握所有挑戰。在實驗模式中，Claude 成功完成了24個任務中的15個，而其他模型最多也只完成了10個。在開放測試中，Claude 的生產評分達到2456分，GPT-4o 以1789分緊隨其后。Claude 展現出復雜的《Factorio》游戲玩法，通過其戰略性制造和研究方法，快速從基礎產品轉向復雜生產過程，尤其是電鉆技術的提升，顯著提高了鐵板的生產速度。

　　研究者認為，FLE 開放且可擴展的特性，使其在未來測試更強大的語言模型時具有重要價值。他們建議擴展該環境以包含多代理場景和人類表現基準，以便提供更好的評估背景。這項工作進一步豐富了基于游戲的 AI 基準測試的集合，其中還包括 BALROG 和即將推出的 MCBench，這些都將利用《Minecraft》進行模型測試。