文章主要内容总结本文介绍了StarDojo，一个基于《星露谷物语》（Stardew Valley）的新型基准测试平台，旨在评估多模态大型语言模型（MLLMs）驱动的智能体在开放式生产-生活模拟中的行为能力。该平台包含1000个精心设计的任务，涵盖农业、制作、探索、战斗和社交五个核心领域，并提供100个代表性任务的精简版（StarDojo-Lite）以提高评估效率。StarDojo的核心特点包括：统一的Python交互接口（无需键盘鼠标操作）、自动化评估脚本、跨系统兼容性（支持Ubuntu、macOS、Windows）以及并行环境执行能力。通过对GPT-4.1、Claude 3.7 Sonnet、Gemini 2.5 Pro等主流MLLMs的评估，发现当前模型表现显著不足，最佳模型GPT-4.1的总体成功率仅为12.7%，主要瓶颈在于视觉理解、多模态推理和低级操作能力。创新点填补评估空白：首次同时评估智能体在生产活动（如 farming、crafting）和社交互动（如与NPC建立关系）中的综合能力，弥补了现有基准（如Atari、MineDojo）仅关注单一任务的局限。高生态效度的模拟环境：基于《星露谷物语》的真实动态（时间、 stamina、天气、季节循环）构建，贴近现实世界的生产-生活系统，需智能体平衡资源管理、社交整合和环境适应。实用化工具链：提供用户友好的接口、自动化评估、跨系统支持和并行执行能力，便于研究者高效测试和开发智能体。/