RuneScape 游戏成 AI Agent 新基准，Grok 靠微操反超 Opus

Flomerboy · x · 2026-08-13

开发者推出了 RuneBench，一个基于经典游戏 RuneScape 的 AI Agent 基准测试。与传统任务不同，它通过 TypeScript SDK 让 Agent 在游戏世界中执行操作，并以每 15 秒窗口内的最大经验值（XP）获取率来评分，旨在奖励那些能发现高级策略和探索能力的 Agent。

测试发现，Grok 4.6 在执行任务时会进行大量微小的工具调用，这使得其在难以长远规划的任务（如在游戏中导航）中表现出色，但整体成本也因此变得与 Claude 3 Opus 等顶级模型相近。