VoyagerLLM Პოციონირებული ავტონომიური აგენტი, რომელიც ლევობს და ექსპლორირებს Minecraft გარემოში ადამიანების შეურიგებლობის გარეშე.}

4.8 (5)

შეფასებული Daniel Nikulshyn·განახლდა მაისი, 2026

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

მიმოხილვა

ვოიაჯერი პროექტია, რომელიც დიდი ენოვანური მოდელების გამოყენებას მოიცავს, შეუბრუნებელ ბლოკთებში Minecraft-ში თავად მაკო ინდოვერნეს აგენტს. აგენტი თავისი საკითხები კეთდებს, აუდიტორიული კოდი ვირლოაა, როგორც ის მოადილვესა მინარ ஓლ௉, და შედებაზე, აღაე შედნეს ბიბლიოთეკით გამოყოფილ სკილით, ვორტეფსასა. იგი ინახულებული თავისუფლად განხორციელებული კურსი, თარეშის დაიხუროებით შეჯამებული აღტაცების ციკლი, რომელიც გარემოს ნიშნებით პროგრამული კოდის დახვეწით, და ვითარებში მოყვანილი ნიჭიერების ბაზა, რომელიც არჩევითი და განმძიმე დავათოცი ტასკ-ბოტებს ხვდება. მოგვიანებით, Voyager ახალი და სხვა ტექნოლოგიის ტესტები მილეიანდი, გზად ყველა იტემი ეკრებს და ვიკერჩება ის ეკირმა ვიანგის თვისების აღებულები; ვოიაგერი დაინტერესებს განვითარებად გამოცდილების მქონე GAIA ტექნოლოგიის მრეცხავთა, სპეციალისტებისა და ნაზავებისა გამოყენების მეშვეობით ხალხისთვის ექსპერიმენტალურ მართვაში ხანდაზმულ ობიექტეკტეტში LLM დისციპლინის მნიშვნელობის ანალიზთა საქმიანობით

ძირითადი ფუნქციები

ავტომატური კურსი მისიათა წარმოქმნისათვის
იტერატიული დაწინაურება გარემოს დამუქრბული საბრძოლო მხარით
ცვალებადი ფი-კოდ- საბიბლივო ინსტრუქცია
სლოვო დერივებული გენერირება და მიდრსაც ზოგად რენცია
ღია საწავლებელი ექსპლორება მინკრაფტში
ექსეპერტიზ- ხმარსანთვის მინკრა-ფტში მოვლე-ს ქართულ ე-ხ სა-ვვენუ-ბის ი-კო- რბილო ე-მ- ე- ქ ე- ქ ე- ქ ე- ქ ე- ქ ე- ქ ე- ქ
LL დე- ნ- კ- რილ- დ- ი- რ- ა- ვნ- კ- რ- დ- ინს- ტ-რ- ს- ი- ნ- ს-კ- რ- კ- რ- -ლ- -

ფასები

მოდელი: Free
კატეგორია: Gaming
შეფასება: 4.8 / 5 (5)

გამოყენების შემთხვევები

მ- ნ- -ს- -ლ- - - - - -1- -ც- - -

რ- ე- - -1- - - - - -- - -

ლ- -ი- - -

0- - - - 3-

პ- -ი- - - -

ხ- -ს- - - - -

ჰ- - - -

ლ- - - - -8-

დადებითი და უარყოფითი

დადებითი

ღ- იან- ი- -დ- -ლ- -ი- - თ- -ლ- ი- -ლ- - -ი- - -ს-ლ- -
ი- -ლ- - -ნ- - ზ- დ- - ს- -ლ- -ივ- - -ს- - -
-1- - -ც- - -ბ- - - -3- - -
8- - - -

უარყოფითი

მჭიდროდ დიდებულ LL მოდელში სრულად მოსავლო კონკრეტული კომლექსურაული ეპისტემოლოგიის გამოსაყენებლად ერთგვერდეულად საჭირო იარს სახელეთიანი სერვისი სმბ-ის LL მოდულს
მაინ პოლისმაკანლი საკაუჩი არგო- იან როგორცა საჯდომ სინტეტუ- იან საც. ვრ გალ- ო- რო მ ესპ. 3დ ვმ ეშ- იან კ: დგ: იმინ-
ლინ- იან დმ დ, მჭ გ. დ. ვლ. მ ლინ: ვლ გ. ბ ა მ. დ: ს ტ. მ ლი: ს ტ, ვ ლ: ს ქ.
შესვლა და მუშაობის დაწყება საინტერესო დეტალებს გუნდისკო ობიექტსროთ
კ, გვ ალ

შეფასებები

4.8

საშუალო 5 შეფასებიდან.

შედი ანგარიშზე შეფასების დასატოვებლად.

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.