随着传统人工智能基准测试方法逐渐显露出局限性，AI开发者开始寻求更具创意的评估途径。一群创新者将目光投向了微软旗下沙盒建造游戏《我的世界》（Minecraft），开发出名为"Minecraft基准测试"（MC-Bench）的全新评估体系。
这个由开发者社区共同打造的测试平台，通过让不同AI模型在《我的世界》中进行创意建造的"一对一挑战"来展现实力。用户可对不同模型的创作进行投票，只有在完成投票后才会揭晓每个建筑对应的AI开发者。项目发起人、12年级学生阿迪·辛格（Adi Singh）在接受TechCrunch采访时表示，《我的世界》不仅具备完整的创作体系，更拥有全球最庞大玩家群体基础，即使是未接触过该游戏的用户，也能轻松评判像素风格的建筑优劣。
目前MC-Bench官网显示，项目已获得Anthropic、谷歌、OpenAI和阿里巴巴（Alibaba）的模型调用支持，但未建立其他合作关系。测试初期主要对比GPT-3时代以来的基础建筑能力提升，未来计划扩展至长期规划和目标导向型任务。辛格特别指出："游戏环境比现实世界更安全可控，这种特性使其成为理想的智能体推理测试场。"
值得关注的是，这种创新测试方式正引发行业共鸣。《精灵宝可梦红》（Pokémon Red）、《街头霸王》（Street Fighter）等经典游戏都曾作为AI测试平台，反映出基准测试本身的复杂性。当前主流测试方法存在明显局限——AI模型在需要机械记忆或简单推理的任务中表现突出，却常在实际应用中暴露短板。例如GPT-4能在法学院入学考试（LSAT）超越88%考生，却无法正确统计"strawberry"中的字母R数量；Claude 3.7 Sonnet软件工程测试准确率达62.3%，但其《精灵宝可梦》操作水平甚至不及五岁儿童。
从技术实现来看，MC-Bench本质上是编程能力测试——AI需要根据"雪人弗洛斯蒂"或"原始沙滩上的热带小屋"等提示生成建造代码。但对普通用户而言，直接评判建筑造型的优劣远比解析代码更直观，这种特性使项目既能收集专业数据，又能吸引公众参与。
尽管关于这些评分能否真实反映AI实用价值的讨论仍在持续，但辛格强调其参考意义："当前排行榜与我实际使用体验高度吻合，这与纯文本测试形成鲜明对比。或许这种评估方式能帮助企业校准发展方向。"这种将专业测试与大众认知相结合的新思路，正在为AI评估体系开辟全新可能。
