HiSTEVE 1.0 يلعب Minecraft بالفأرة ولوحة المفاتيح: 85,0% على MineStudio Bench

قدّم باحثون ينشرون أعمالهم باسم Tencent على Hugging Face نظام HiSTEVE 1.0، وهو وكيل ينجز مهام طويلة في Minecraft بالطريقة نفسها التي يلعب بها اللاعب الحقيقي: ينظر إلى الشاشة، ويضغط المفاتيح، ويحرّك الفأرة. سجّل النظام 85,0% على MineStudio Bench، وحقق 37,4% متوسط نجاح على OpenHA. وإلى جانب المهام الذرّية، ينفذ الوكيل سلاسل طويلة كاملة، مثل صنع معول حديدي من الصفر. صدر العمل في 22 أكتوبر 2026 (arXiv 2610.31162)، واحتل مباشرة المركز الثاني في التصنيف اليومي لـ Hugging Face Daily Papers.

الفجوة التي يسعى المؤلفون إلى سدّها

انقسمت وكلاء Minecraft حتى الآن إلى معسكرين. يتقن الأول التحكم البصري الحركي الأصلي، أي العمل مع البكسلات والأزرار الفعلية، لكنه لا يستطيع إنجاز المهام الطويلة دون تدخل. ويجيد الثاني التخطيط على المستوى العالي، لكنه ينفذ الخطة عبر API للبيئة أو عبر مجموعة مهارات معرّفة مسبقًا، وبذلك يستفيد فعليًا من امتيازات «غشّ» مثل الوصول إلى الحالة الداخلية للعبة. يحاول HiSTEVE الجمع بين النصفين: تخطيط مستقل وتنفيذ عبر الواجهة نفسها التي يستخدمها الإنسان.

البنية ذات مستويين. في الأعلى يعمل ما يسميه المؤلفون capability-aware agent harness، وهو منسّق يعرف قدرات النموذج الأدنى. وفي الأسفل تعمل سياسة VLA واحدة تنفذ جميع المهام الفرعية بالاعتماد على الرؤية وحدها.

منسّق يعرف حدود المنفّذ

للمنسّق ثلاث وحدات عمل. تتتبع ذاكرة منظّمة التقدم في المهمة. ويختار مخطِّط VLM المهام الفرعية مع تقييد نفسه بقدرات VLA، فلا يطلب من السياسة فعل ما لا تستطيعه. أما الوحدة الثالثة فهي كاشف إتمام المهمة الفرعية المرتبط بسياق السياسة (policy-coupled task completion detector). يُصدر الكاشف إشارة إتمام مرشّحة، وعلى أساسها يقرر الوكيل هل يتابع، أو يتعافى من الفشل، أو يعيد التخطيط. ويذكر الوصف أيضًا آلية لاستعادة التنفيذ قائمة على الأدلة (evidence-driven execution recovery).

VLA واحد للعب والقوائم

تكمن المشكلة الهندسية الرئيسية في المستوى الأدنى في أن اللعب من منظور الشخص الأول والعمل مع واجهة GUI (المخزون والصناعة) نمطان مختلفان من التفاعل، ويتداخلان سلبًا داخل نموذج واحد. فصل المؤلفون بينهما بأسلوبين: فروع RMSNorm منفصلة لكل نمط، وتضمينات رموز (token embeddings) مستقلة لحركات الفأرة.

يجري التدريب على ثلاث مراحل: حقن المعرفة بالعالم (world knowledge injection)، والتعلم بالمحاكاة، والتعلم المعزز بالاعتماد على التغذية الراجعة من البيئة. ويقول المؤلفون إن المرحلة الأخيرة ترفع الموثوقية والقدرة على التعافي من الأخطاء.

مكونات النظام والمقاييس

• نوع الوكيل: Vision-Language-Action هرمي، إدراك بصري فقط، وإجراءات أصلية بلوحة المفاتيح والفأرة • التنسيق: ذاكرة منظّمة، ومخطِّط VLM يراعي قدرات VLA، وكاشف إتمام المهام الفرعية المرتبط بسياق السياسة • التحكم: سياسة VLA واحدة لجميع المهام الفرعية، بما فيها GUI • التغييرات المعمارية: فروع RMSNorm خاصة بكل نمط، وتضمينات رموز منفصلة لحركات الفأرة • التدريب: world knowledge injection، وتعلم بالمحاكاة، وRL بتغذية راجعة من البيئة • MineStudio Bench: 85,0%، ويُعلن المؤلفون أنه state-of-the-art للمهام الذرّية • OpenHA: 37,4% متوسط نجاح • المهمة الطويلة: معول حديدي من الصفر • المؤلفون: Zecong Tang, Zian Guan, Yuncheng Guo, Zhanqiu Zhang, Yiwen Guo, Bo Dai

أين يفيد هذا النهج؟

لا تقتصر أهمية الحد الأدنى من امتيازات البيئة على Minecraft. فالوكيل الذي لا يحتاج إلا إلى الشاشة والإدخال القياسي يمكن نقله إلى أي لعبة أو تطبيق مكتبي دون التكامل مع API داخلي. وهذا هو المنطق نفسه وراء وكلاء computer-use، لكن على ساحة اختبار أكثر صعوبة، تتميز بتوليد إجرائي للعالم وأفق زمني طويل.

يمكن لمطوري الوكلاء أن يستخلصوا درسين. الأول أن يُربط المخطِّط بمجموعة المهارات الفعلية للمنفّذ، لا بنموذج مجرد «قادر على كل شيء». والثاني أن الأفضل فصل أنماط الإدخال غير المتجانسة، مثل القوائم والمشهد، على مستوى التطبيع والتضمينات، بدل الرهان على أن تتدبر سياسة عامة واحدة الأمر بنفسها. وتخص الأرقام 85,0% و37,4% حتى الآن بنشمارك بعينها، ولا بد من التحقق منها عبر إعادة إنتاج مستقلة.