MirrorCraft: 在规则隐藏变更下的 Minecraft 配对评测基准

研究提出 MirrorCraft 基准，用于评估 LLM 智能体在 Minecraft 规则隐藏变更下的表现。 该基准包含 10 个世界、6 套规则，通过 8,640 个回合测试 ReAct 等 6 种配置。 结果显示，隐藏规则变更导致各配置性能差异显著，提供精确规则仅带来有限提升。