GPT-5.6 Sol 通关《异星工厂》，但先别急着叫它“自动化之神”

GPT-5.6 Sol 刚刚完成了一次颇具标志性的长程 Agent 实测：在 Codex 中以 Low 推理强度运行，用 13.5 个游戏小时完成《异星工厂》基础游戏的火箭发射目标。

这不是让模型回答一道题，也不是生成一个能跑起来的网页，而是要求它连续采矿、冶炼、发电、研究科技、规划产线、处理库存，最终把一座从零开始的工厂推进到火箭升空。实验由开发者 Ryan Madden 于 2026 年 10 月 31 日公布。(ryanmadden.net)

不过，标题里的“通关”需要加上几个醒目的限定条件：没有虫群威胁、没有《太空时代》扩展，而且后期物流并没有真正实现优雅的全自动化。Sol 最终确实发射了火箭，但更像一个技术能力很强、架构品位一般、为了赶截止日期疯狂打补丁的工程师。

为什么《异星工厂》是个难得的 Agent 测试场

《异星工厂》是一款以资源开采、生产链设计和物流自动化为核心的工厂模拟游戏，玩家通常以发射火箭作为基础游戏的通关目标。

它看起来像在铺传送带，底层却很接近真实的软件工程：每个配方都是函数，每条传送带都是数据管道，每台组装机都是服务节点，电力和原料则是整个系统的基础设施依赖。任何一个环节吞吐量不足，都会沿着生产链逐级放大。

长程游戏 Agent 是能够在持续变化的环境中观察状态、调用工具、执行动作，并围绕远期目标连续工作数小时甚至更久的自主系统。它与传统聊天模型的区别，不是“多回答几轮”，而是必须维护任务状态、发现失败、修正计划，并确保此前完成的工作不会被后续操作破坏。

Factorio 对这类 Agent 的价值，正在于它同时考验四种能力：

• 层级规划：发射火箭必须先解锁科技，而科技需要不同等级的科学包，每种科学包又依赖多层原料。
• 空间推理：传送带、机械臂、管道、锅炉和组装机不仅要存在，还必须放在正确位置和方向。
• 异步状态管理：机器会持续生产，矿区会逐渐枯竭，库存和电力负载也一直变化。
• 长期纠错：游戏早期一个凑合能用的设计，到了中后期可能变成无法扩展的瓶颈。

Ryan Madden 今年 3 月分析 Factorio Agent 时，将其形容为一个高维的“汉诺塔”：Agent 不只是拆分目标，还要把抽象计划转换成成百上千个坐标明确、方向正确且彼此连接的实体。其早期判断是，高层任务分解相对容易，真正困难的是空间实现和规模扩张。(ryanmadden.net)

这次到底是怎么跑起来的

Autorio 是 Ryan Madden 为运行、记录和比较 Factorio Agent 轨迹开发的一套实验框架，它把 Codex Agent、Python 操作接口、Factorio 游戏进程和遥测系统连接在一起。

Sol 并不是直接观看屏幕，然后像人类一样操作鼠标和键盘。它主要通过 Python 客户端观察世界状态，并调用移动、采矿、建造、旋转设备、设置配方和启动研究等动作。

这听起来像给模型开了作弊菜单，但 Autorio 对关键动作施加了接近正常游戏的约束。Agent 控制的角色需要沿着 Factorio 的寻路路线真实移动，采矿需要等待正常动画和游戏时间，建造动作受角色距离、库存、地形与碰撞规则限制，地图观察也只返回玩家势力已经探索的区域。(github.com)

项目当前的火箭测试配置禁用了《太空时代》《品质》和高架铁路等扩展内容，并关闭敌方基地生成，同时固定白昼、使用指定地图种子。严格来说，这比玩家通常理解的“和平模式”还要轻松：普通和平模式中的虫群依然存在，只是不主动攻击；关闭敌方基地则直接移除了虫群相关的防御、污染和实时战斗压力。(github.com)

| 测试维度 | 本次 GPT-5.6 Sol 实测 | 更接近完整人类玩法的条件 | |---|---|---| | 最终目标 | 发射一枚火箭 | 发射火箭或进入《太空时代》后期 | | 敌人 | 关闭敌方基地生成 | 虫群正常生成并受污染驱动 | | 操作方式 | Python 工具与 Codex 执行环境 | 键盘、鼠标和屏幕视觉 | | 地图信息 | 仅能读取已探索区域 | 玩家通过画面和地图界面观察 | | 角色移动 | 需要真实寻路和移动时间 | 需要真实寻路和移动时间 | | 建造与采矿 | 受距离、库存和游戏时间约束 | 受距离、库存和游戏时间约束 | | 推理强度 | Low | 取决于玩家或 Agent 配置 | | 完成时间 | 13.5 个游戏小时 | 熟练玩家通常可明显更快完成 |

因此，这次实验不是纯视觉游戏 Agent，也不是完整难度速通，但它仍然远比“给模型一个无限材料沙盒，让它摆出几台机器”更接近真实长程任务。

真正的进步，是它终于知道传送带怎么用了

GPT-5.6 Sol 的关键进步不是火箭本身，而是它跨过了此前模型长期卡住的空间与物流门槛。

Ryan Madden 在今年 4 月曾让 Claude Code 通过 CLI 操作 Factorio。那次 Agent 成功建立蒸汽发电系统，制造红色和绿色科学包，并推进到 Automation 2 研究中段，但最终没有形成可持续扩张的工厂。它经常一次铺设多组未经验证的设备，放错机械臂方向，并在某一区域失败后直接换一块空地重新开始。(ryanmadden.net)

更致命的问题是，当时的 Claude Code 很少使用传送带，而是偏好“箱子—组装机—箱子”的局部结构，再由玩家角色亲自搬运物品。旧版接口还允许它远距离操作实体，并获得接近无限的矿石和燃料，使这种低效策略在游戏早期没有立刻失败。(ryanmadden.net)

GPT-5.6 Sol 至少建立了足以推进完整科技树的工厂，并真正把传送带纳入生产系统。与“只能做出绿色科学包”相比，发射火箭意味着它跨过了石油加工、化工产品、高级电路、低密度结构、火箭控制单元等多级依赖链。

| 公开实验 | Agent / 模型 | 达到的阶段 | 主要限制 | |---|---|---|---| | 2026 年 4 月测试 | Claude Code | 红、绿科学包，Automation 2 中段 | 回避传送带、空间连接不稳定 | | Factorio Learning Environment 早期 Open Play | Claude Sonnet 3.5 | 物流科学包 | 未推进至完整游戏后期 | | 本次 Autorio 火箭测试 | GPT-5.6 Sol，Low | 13.5 游戏小时发射火箭 | 无虫群，后期大量人工搬运 |

这类跨代比较不能直接当成标准跑分，因为运行框架、提示词、地图、约束条件和模型可用工具并不完全一致。但从“拒绝使用传送带”到“完成火箭生产链”，能力跨度依然足够明显。

它通关了，但没真正解决自动化

Sol 最大的问题是，它完成了目标，却没有完整掌握《异星工厂》的核心思想：让物流系统替玩家干活。

根据实验披露的信息，Sol 在游戏后期出现了明显的规模扩张问题。部分生产区域没有被正确连接，为了继续推进火箭制造，它不得不反复控制角色，在工厂不同区域之间亲自运输材料。(remix-clone-hacker-news.flameddd1.workers.dev)

这种行为在软件工程里很像一个服务之间没有消息队列、数据库同步也没做好，于是工程师定时手动导出 CSV，再复制到另一台机器。系统最后上线了，验收指标也通过了，但没有人会把它称为健壮架构。

不过，人工搬运式补救也揭示了 Sol 的另一项能力：它没有因为局部自动化失败而完全停摆，而是识别出当前瓶颈，选择了一种低效但可执行的替代路径。对于 Agent 来说，能够区分“理想解”和“当前能交付的解”，往往比一开始规划出完美方案更重要。

问题在于，Agent 不会像人类一样天然厌恶重复劳动。玩家手动跑几趟后通常会受不了，转而建设传送带、物流机器人或铁路；模型如果没有明确的时间和成本惩罚，可能认为连续执行上百次搬运操作完全合理。

这也是长程 Agent 评测需要补充资源指标的原因。只看“是否完成”会鼓励暴力搜索和重复操作，还应该记录模型调用次数、Token 消耗、游戏内移动距离、失败动作数量、工厂吞吐量以及人为搬运占比。

13.5 小时说明了什么，又没有说明什么

13.5 个游戏小时证明了 GPT-5.6 Sol 能够在一个持续演化的环境里维持足够长的因果链，但它没有证明模型已经具备人类级的通用游戏能力。

GPT-5.6 Sol 本身是 GPT-5.6 系列的旗舰模型，支持最高 105 万 Token 上下文和 12.8 万 Token 最大输出，并提供从 None 到 Max 的多档推理强度。其当前促销价格为每百万输入 Token 4 美元、输出 Token 20 美元。(developers.openai.com)

更值得注意的是，本次实验使用的只是 Low 推理强度，而不是 Max 或通过多个子 Agent 并行工作的 Ultra。低推理强度仍能跑通 13.5 小时的游戏轨迹，说明任务成功可能不再完全依赖单次思考得多深，而越来越依赖工具反馈、状态记录和持续纠错形成的外部闭环。

这与 GPT-5.6 的官方定位基本一致。OpenAI 在 7 月公布的数据中，将 Sol 的优势集中在工具使用、计算机操作、代码、安全和长程专业任务，而不是传统聊天体验；例如 Sol 在 OSWorld 2.0 上取得 62.6%，在 BrowseComp 上取得 90.4%，Ultra 配置则达到 92.2%。(openai.com)

Factorio 实测比这些数字更直观，因为失败是肉眼可见的：传送带有没有接上、机械臂方向是否正确、组装机为什么停工，观看者不需要理解复杂评分规则就能判断。

下一关不是更大的模型，而是更好的记忆与控制

Sol 暴露的主要短板并不像“智商不够”，而更像缺乏稳定的世界模型、工程记忆和成本意识。

第一，Agent 需要建立可查询的工厂拓扑。它不应该每次都重新观察一片区域，而应该维护矿区、冶炼阵列、总线、科研区和化工区之间的结构化依赖图，并持续更新实际吞吐量。

第二，Agent 需要为成功设计建立可复用模块。一个被验证可用的锅炉发电结构、炼铁阵列或绿色电路模块，应该像函数一样被封装和复用，而不是每次重新计算坐标、方向和间距。

第三，Agent 需要真正理解机会成本。手动运输材料虽然能解决眼前问题，但如果未来还要重复 50 次，铺设一条传送带或建设物流机器人网络的总成本可能更低。

第四，Agent 需要面对实时压力。虫群会沿污染范围扩张并攻击基地，这要求系统同时处理长期建设和短期事件；如果模型一次推理需要几十秒，防线可能在它生成下一步计划前就被拆掉。

第五，评测需要从单次展示走向可重复实验。相同模型至少应运行多个地图种子，报告成功率、中位完成时间、Token 成本和失败类型，否则一次成功很难区分稳定能力与幸运轨迹。

这次通关的真正意义

GPT-5.6 Sol 的这次表现不是“AI 已经会玩所有游戏”，而是长程工具 Agent 开始跨过从局部演示到完整任务闭环的门槛。

它不够快，不够优雅，也没有处理敌人，但它已经能够围绕一个远期目标连续执行大量动作，在多次局部失败后继续推进，并最终满足可验证的完成条件。这比一个漂亮但只能运行 30 秒的 Agent Demo 更有价值。

更重要的是，Factorio 把当前 Agent 的真实状态展示得很清楚：模型已经像一名能独立交付项目的工程师，却还不像一名会设计可维护系统的架构师。它知道如何把火箭送上天，但还没有真正理解为什么玩家要建设一座自动化工厂。

下一次值得关注的，不是 Sol 能否把 13.5 小时压缩到 10 小时，而是它能否在正常虫群、有限资源和多个随机地图种子下保持稳定成功。如果还能做到较少人工搬运、较低 Token 消耗和可重复通关，那才意味着长程 Agent 从“偶尔完成任务”进入了“可以被信任”的阶段。

参考来源

• Autorio：Factorio 长程 Agent 运行与记录框架——包含测试配置、角色移动约束、遥测记录和火箭任务实现。
• Factorio Learning Environment——面向大模型 Agent 的开放式 Factorio 评测环境。
• Faketorio——Ryan Madden 早期开发的简化版 Factorio Agent 沙盒。
• GPT-5.6 Benchmark Visualizations——整理 GPT-5.6 工具、科研与长程任务基准数据的可视化项目。