VoyagerДейност на самоподведомена агент с лингвистически модел (LLM), която научава и изследва в Minecraft без човешко участие.

4.8 (5)

Прегледано от Daniel Nikulshyn·Актуализирано май 2026 г.

Open Source Research LLM Agents Autonomous Agents Game AI Reinforcement Learning Minecraft

Преглед

Войаджър е изследователски проект, използващ големи модела на езика, за да нанича самостоятелна агенти в Minecraft. Агентът дефинирява собствени цели, пише изпълними кодове, за да действа в световете, и по-нататък създава библиотека с използваеми умения, които ги прави повторно използвани. Комбинира автоматичната програма за обучение за открито експериментироване, итеративен цикъл за prompting, който попълва кода чрез обратна връзка от средта, и развиващата се библиотека с умения, която позволява на агента да справи с все по-тежки задачи. Върху време, Voyager разкрива нови етапи в техниката на полета, събира различни предмети и пътува по повече терен от предходни агенти в Minecraft. Войаджърът е предимно интересен за изследователи на изкуствения интелект, разработчици на AI за игри и хобейтисти, които изследват emboded агенти, животна учителност и решаване на проблеми с използване на LLM в отворени святен环境и.

Ключови функции

Автоматичен обучителен план за генериране на цели
Итеративен стимул с обратна връзка от околна среда
Растящ библиотека на умения за изпълнение на код
Плануване и изводи на LLM на основата на лингвистически модел
Отворено разглобяване в Minecraft
Издадена, отворена реализация с научен целей

Цени

Модел: Free
Категория: Gaming
Оценка: 4.8 / 5 (5)

Случаи на употреба

Бenchmark на агентите с лингвистически модел в Minecraft

Виждачи могат да оценяват агенти с лингвистически модел, работещи самостоятелно в Minecraft, с открити задачи, сравняват прогрес на техния шаблон за растеж, разнообразие в предметите и изследователство спрямо предишните базови линии

Изследване на животното усвояване на умения

Вжива се библиотеката за умения на ЛаВойджър, за да се изследва за какво служат агентите да събират пригодими кодови умения от дългочасови перспективи без човешко управление

Разработване на поведение на игра

Разработчици на игра могат да експериментират с планове на LLM и итирационна прилагодяване на код, за да създават самостоятелни NPC, като поставят цели и се адаптират с обратна връзка от средата

Испитване на изкуствено умение с лингвистически модел

Хобиства, които експериментират с агентите с лингвистически модел могат да изпълняват ЛаВойджър, за да видят отворено, инспектируемо кодове на действия и да научат как стимулите за пулка и плануването на програмирането извършват отворено изследване

Плюсове и минуси

Плюсове

Отворено, цял животно обучение без човешко участие
Създава пригодима библиотека на умения, която се стяга във времето
Силна перформансна в сравнение с предишни агенти в Minecraft
Отворените кодови действия са лесни за инспекция

Минуси

Трябва да има достъп до способен LLM API, който може да бъде скъп
Ограничен до Minecraft като среда
Настрояването и тънчението може да бъде технически сложно
Перформацните са силно зависим от стимула и модела за качество

Отзиви

4.8

Средно от 5 оценки.

Влез, за да оставиш отзив.

Sofia Lindqvist

Apr 26, 2026

Use it every day

Honestly didn't expect to like it this much. Growing skill library of executable code is exactly what I needed, and builds a reusable skill library that compounds over time. I do wish performance depends heavily on prompt and model quality, but I reach for it almost every day now and it just clicks.

Marcus Bell

Nov 18, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on iterative prompting with environment feedback, and open-ended, lifelong learning without human intervention caught me off guard. Performance depends heavily on prompt and model quality is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Liam O’Connor

Oct 7, 2025

Use it every day

Honestly didn't expect to like it this much. Iterative prompting with environment feedback is exactly what I needed, and strong benchmark performance versus prior Minecraft agents. but I reach for it almost every day now and it just clicks.

Nadia Petrova

Sep 17, 2025

Compared a few options

Evaluated this against two competitors. Where it wins: iterative prompting with environment feedback and builds a reusable skill library that compounds over time. On balance the feature set — especially automatic curriculum for goal generation — justifies the 5 stars for our use case.

Aisha Khan

Sep 6, 2025

Solid for our team

We rolled this out across the team last quarter and open-ended, lifelong learning without human intervention. Automatic curriculum for goal generation fits neatly into how we already work, and iterative prompting with environment feedback removed a step we used to do by hand. Performance depends heavily on prompt and model quality, which is the main caveat, but it has held up under daily use.