MineExplorer muestra que los agentes multimodales fallan a medida que aumenta la profundidad de las tareas
Claude Opus 4.6 de Anthropic lideró MineExplorer, pero su tasa de éxito cayó del 77% en tareas de un salto al 12% en tareas de cuatro saltos. El modelo completó solo el 41% del benchmark en general, según los resultados publicados por el equipo LongCat de Meituan.
Ese desplome es la verdadera historia de Anthropic MineExplorer. Claude rindió bien cuando el objetivo requería un paso directo. Tuvo dificultades cuando el éxito dependía de descubrir y coordinar varios requisitos previos no declarados dentro de un mundo cambiante.
MineExplorer mide esta brecha mediante 813 escenarios de Minecraft verificados por humanos, con una duración de hasta tres minutos. Evalúa 18 modelos multimodales de ocho familias de modelos, incluidos sistemas Claude, GPT y Gemini. Los autores del benchmark han publicado su código, conjunto de datos, flujo de trabajo de generación de tareas y entorno de evaluación.
El resultado cuestiona una suposición habitual sobre los agentes multimodales. Reconocer una amenaza, un objeto o un recurso no significa que un modelo pueda mantener un plan útil mientras cambia el entorno. MineExplorer convierte esa distinción en una curva de fallos medible.
Los benchmarks anteriores de Minecraft examinaban planificación, seguimiento de instrucciones, construcción o conocimiento del juego. MineExplorer, en cambio, elimina muchas tareas que dependen en gran medida de reglas específicas de Minecraft. Su objetivo declarado es más amplio: exploración que combina percepción, razonamiento y acción a lo largo de una trayectoria sostenida.
El benchmark sigue siendo un preprint, y Minecraft no puede representar todos los entornos físicos. Sin embargo, los hallazgos ejercen presión inmediata sobre las afirmaciones de que una visión más potente y un contexto más largo producen automáticamente agentes autónomos fiables.
MineExplorer convierte tres minutos en una prueba seria para agentes
MineExplorer cambia el objetivo de evaluación: pasa de reconocer una escena a superar una secuencia de decisiones interdependientes.
El equipo LongCat presentó MineExplorer en un preprint de mayo de 2026. Una segunda versión llegó el 12 de junio, mientras que el equipo técnico de Meituan publicó un resumen detallado de los resultados en julio.
Cada episodio puede ejecutarse durante 1.800 pasos del entorno. Un paso representa 0,1 segundos, lo que produce tres minutos de interacción continua. El mundo se actualiza después de cada acción, por lo que el modelo debe reconsiderar repetidamente lo que ve y lo que debería hacer después.
Esa duración parece corta según estándares humanos. Es larga para un agente que debe observar imágenes, mantener el estado, seleccionar acciones y recuperarse de errores a lo largo de cientos de interacciones.
Las tareas se dividen según el número de saltos. Una tarea de un salto presenta un objetivo que no requiere que el agente infiera una subtarea no declarada. Los escenarios de dos a cuatro saltos añaden requisitos previos ocultos que deben descubrirse a través del entorno.
Consideremos un agente al que se le indica llegar a una ubicación protegida. La ruta inmediata podría estar bloqueada, la herramienta necesaria podría encontrarse en otro lugar y las entidades hostiles podrían limitar el movimiento. La instrucción nombra el destino, pero no todas las acciones necesarias para alcanzarlo.
MineExplorer representa cada tarea compuesta con un estado inicial, una instrucción en lenguaje natural, un grafo de dependencias y hitos basados en reglas. El grafo de dependencias registra la estructura oculta de la tarea. El modelo nunca recibe ese grafo completo.
Los hitos permiten al evaluador medir el progreso parcial sin pedir a otro modelo de lenguaje que juzgue toda la trayectoria. Un hito podría detectar si el agente encontró un objeto, entró en un área o completó una acción intermedia requerida.
Los autores compararon estos resultados automatizados con calificaciones humanas de trayectorias de Claude Opus 4.6. Los conjuntos de hitos completados recibieron puntuaciones humanas medias cercanas a cuatro en una escala de cinco puntos. Los conjuntos completamente fallidos se mantuvieron por debajo de tres.
Esa concordancia no hace perfecto al evaluador. Sí aporta evidencia de que la finalización de hitos capta un progreso significativo, en lugar de eventos arbitrarios del juego.
El equipo también trató de separar la exploración de la experiencia memorizada sobre Minecraft. Las tareas atómicas candidatas se examinaron por su dependencia de convenciones específicas del juego. Se eliminaron las tareas dominadas por conocimiento especializado.
Esta elección de diseño importa porque un agente puede fallar un objetivo de Minecraft por dos razones muy distintas. Puede carecer de una receta de la wiki del juego o puede no lograr conectar la evidencia visible con un plan viable.
MineExplorer intenta poner el énfasis en el segundo problema. Sus 14 categorías de capacidades cubren percepción, razonamiento y acción. Incluyen percepción espacial y temporal, seguimiento de entidades, conciencia de recursos, razonamiento causal, movimiento, recolección, colocación, fabricación y combate.
Los 813 ejemplos publicados abarcan dependencias de uno a cuatro saltos. El conjunto de datos abierto incluye texto de tareas, comandos de configuración de escenas, tareas atómicas seleccionadas, hitos, grafos de dependencias y notas de diseño.
Esto es más que un conjunto estático de preguntas. Los investigadores pueden inspeccionar cómo se construyeron las escenas, volver a ejecutar las evaluaciones, crear variantes más difíciles o utilizar el entorno para entrenamiento.
Esta apertura ofrece al benchmark la oportunidad de influir en el desarrollo de agentes. También facilita cuestionar sus supuestos, una característica importante para un benchmark que formula afirmaciones amplias sobre la exploración.
Por qué el liderazgo de Anthropic en MineExplorer sigue siendo una advertencia
Claude Opus 4.6 ganó la comparación, pero su liderazgo revela lo lejos que siguen estando todos los modelos evaluados de un comportamiento fiable a largo plazo.
El benchmark evaluó 18 modelos multimodales avanzados de ocho familias. Claude Opus 4.6 logró la mayor tasa general de éxito en tareas, alcanzando el 41%.
Un resultado del 41% puede parecer respetable si se observa solo como una posición en una clasificación. Parece mucho más débil cuando se separa por profundidad de tarea.
Claude Opus 4.6 completó el 77% de las tareas de un salto. Su tasa de éxito cayó al 12% en las tareas de cuatro saltos. El descenso de 65 puntos muestra que las dependencias adicionales hacen más que añadir un poco de dificultad.
Cada requisito previo oculto crea otra oportunidad de perder el plan. El modelo debe detectar evidencia relevante, inferir un objetivo intermedio, ejecutarlo correctamente y conservar su relación con el objetivo final.
Un error temprano puede propagarse a lo largo del episodio. Pasar de largo un recurso necesario impide la siguiente acción. Elegir la ruta equivocada consume pasos y cambia la vista del agente. Una observación posterior puede entonces interpretarse usando un estado interno que ya es incorrecto.
Por eso, el resultado de Anthropic MineExplorer presiona a más actores que Anthropic. Claude fue el modelo más fuerte de la prueba. Por lo tanto, su curva de fallos actúa como un límite superior para esta configuración particular, no como evidencia de una debilidad aislada de Claude.
Los hallazgos también complican la narrativa habitual de escalado de modelos. El artículo informa de que los modelos más grandes y los modos de razonamiento dedicados no mejoraron el rendimiento de forma consistente.
Más parámetros pueden reforzar la percepción o el razonamiento ante un prompt acotado. Un entorno dinámico exige otra capacidad: mantener una alineación útil entre la memoria, las observaciones actuales y los objetivos cambiantes.
Un contexto más largo no garantiza esa alineación. Puede conservar imágenes antiguas que ya no describen la escena actual. Esas observaciones pueden competir con evidencia más reciente en lugar de ayudar al modelo.
Los autores probaron este problema aumentando el número de fotogramas visuales históricos. El rendimiento acabó disminuyendo cuando las observaciones obsoletas interfirieron con la comprensión del modelo sobre el estado actual.
También examinaron si los modelos simplemente necesitaban más tiempo. Los agentes que no tuvieron éxito siguieron fallando incluso cuando los episodios permitían hasta 1.800 pasos. Las tareas resolubles tendían a completarse antes, mientras que las interacciones adicionales no rescataron muchas trayectorias fallidas.
Estos resultados socavan dos soluciones fáciles. Dar a un agente más contexto no equivale a darle mejor memoria. Darle más acciones no equivale a darle un mejor plan.
La presión se extiende a los desarrolladores que construyen agentes de uso de ordenador, sistemas robóticos y herramientas automatizadas de investigación. Esos productos operan fuera de una captura de pantalla fija. Sus entornos cambian como respuesta tanto al agente como a eventos externos.
Un agente de navegador podría necesitar localizar un registro, cambiar un filtro, interpretar la página actualizada y verificar el envío final. Un robot de almacén podría tener que cambiar de ruta tras encontrar un pasillo bloqueado. Un agente de investigación podría tener que revisar su búsqueda al descubrir evidencia contradictoria.
En cada caso, el objetivo visible oculta decisiones previas necesarias. Un modelo puede realizar correctamente cada acción aislada y aun así fracasar en el trabajo completo.
MineExplorer no demuestra que las tasas de fallo se transfieran directamente a navegadores o robots. Muestra que el éxito en pruebas multimodales cortas ofrece garantías limitadas cuando se acumulan dependencias ocultas.
Esa distinción debería afectar las decisiones de compra y despliegue. Los compradores deberían preguntar cómo rinde un agente en flujos de trabajo completados, no solo si su modelo reconoce pantallas o genera acciones siguientes plausibles.
El verdadero problema es la navegación, no el reconocimiento visual
Casi el 60% de los fallos de Claude Opus 4.6 se atribuyeron a la navegación, lo que convierte al movimiento con estado en el cuello de botella más claro del benchmark.
El análisis de fallos del equipo LongCat separa los errores de navegación de problemas como la interacción con objetos o el razonamiento sobre tareas. La navegación representó casi el 60% de los fallos analizados.
Esa cifra no significa que al modelo simplemente le faltaran indicaciones. La navegación en un mundo abierto combina memoria espacial, reconocimiento visual, control de acciones y gestión de objetivos.
El agente debe saber dónde está, recordar dónde ha estado y determinar si el movimiento produjo el resultado previsto. También debe decidir cuándo abandonar una ruta o explorar una alternativa.
Una prueba de visión estática aísla solo una parte de ese ciclo. El modelo ve una imagen y responde una pregunta. La escena no cambia por su respuesta, y una respuesta equivocada no distorsiona la siguiente observación.
Minecraft crea retroalimentación. Si el agente gira en la dirección equivocada, su siguiente imagen contiene evidencia diferente. Si queda atascado contra un obstáculo, los comandos de movimiento repetidos consumen tiempo sin hacer avanzar la tarea.
Entonces, el modelo debe diagnosticar si falló la ruta, la acción o su plan original. Esta distinción es difícil cuando las observaciones llegan como fotogramas separados en lugar de como un mapa interno estable.
Las puntuaciones de capacidades de MineExplorer refuerzan esta interpretación. Claude Opus 4.6 recibió una puntuación de percepción de 61,91 y una puntuación de razonamiento de 54,71. En la mayoría de los modelos evaluados, la percepción superó a la acción, mientras que la acción superó al razonamiento.
Los modelos a menudo podían identificar detalles relevantes. Tenían más dificultad para convertir esos detalles en una estrategia coordinada que sobreviviera a los cambios del entorno.
Esto crea una inversión importante en la forma en que suele presentarse el progreso multimodal. Una mejor comprensión de imágenes amplía lo que un agente puede detectar, pero también expone la debilidad del sistema de planificación que consume esas observaciones.
Un modelo que detecta diez objetos relevantes todavía debe decidir cuál importa ahora. Debe conectar esa elección con el objetivo final y conservar la conexión después de que cambie el punto de vista.
El benchmark se basa en el enfoque ReAct, que intercala razonamiento con acciones y nuevas observaciones. El marco ReAct original se diseñó para permitir a los modelos revisar su razonamiento mediante la retroalimentación del entorno.
MineExplorer muestra dónde ese ciclo puede romperse a lo largo de trayectorias más largas. El razonamiento se desvincula del estado actual, las acciones dejan de servir al objetivo original o las nuevas observaciones no desencadenan una revisión necesaria.
La navegación amplifica los tres problemas. Un agente mal ubicado percibe la evidencia equivocada, construye una estimación errónea del estado y elige acciones posteriores desde una posición deteriorada.
Este es un problema más difícil que generar una cadena de pensamiento más larga. Un agente necesita una representación estructurada de entidades persistentes, ubicaciones, hitos completados, rutas fallidas y dependencias sin resolver.
El historial visual sin procesar es un sustituto débil. Almacena lo que vio la cámara, no lo que el agente debería recordar.
La misma distinción se aplica a los agentes empresariales. Una transcripción de cada pantalla anterior no produce automáticamente un estado fiable del flujo de trabajo. El agente debe saber qué formulario se envió, qué filtro sigue activo y qué requisito continúa sin resolverse.
Para los sistemas corpóreos, la navegación se convierte tanto en una prueba física como cognitiva. El modelo debe desplazarse por el espacio mientras conserva la estructura lógica de la tarea.
Por lo tanto, el 60% de los fallos en MineExplorer apunta a trabajo a nivel de sistema. Mejores controladores locales, mapas explícitos, memoria causal, supervisión del progreso y políticas de recuperación podrían importar tanto como un modelo base más potente.
Qué mide el benchmark y qué no
MineExplorer ofrece una prueba de estrés útil, pero sus resultados siguen estando limitados a un mundo simulado y una distribución de tareas definida por investigadores.
El argumento escéptico más sólido se refiere a la validez externa. Minecraft ofrece un mundo 3D dinámico con reglas consistentes, pero no reproduce todas las dificultades presentes en hogares, fábricas, oficinas o espacios públicos.
Los robots reales enfrentan física incierta, ruido de sensores, daños físicos y restricciones de seguridad. Los agentes de uso de computadoras encuentran estados ocultos de las aplicaciones, barreras de autenticación, ventanas emergentes e interfaces cambiantes.
Minecraft elimina muchas de estas complicaciones. Sus objetos son discretos, su física es repetible y su entorno puede reiniciarse exactamente.
Ese control también es una ventaja. Los investigadores pueden comparar modelos en condiciones idénticas y rastrear fallos sin poner en riesgo equipos ni usuarios.
La clave es tratar MineExplorer como un instrumento de diagnóstico, no como una puntuación universal de inteligencia corpórea. Un resultado del 41% no significa que Claude completaría el 41% de flujos de trabajo reales no relacionados.
El filtrado de conocimientos del benchmark también requiere escrutinio. Los autores utilizan juicios de modelos de lenguaje para clasificar si las tareas atómicas dependen principalmente de conocimiento general o de convenciones específicas de Minecraft.
Ese proceso reduce factores de confusión evidentes relacionados con el conocimiento del juego. No puede garantizar que todas las tareas retenidas estén libres de efectos de familiaridad.
Los modelos entrenados con videos, guías o debates sobre partidas de Minecraft aún pueden reconocer distribuciones y comportamientos comunes. Diferentes familias de modelos pueden haber encontrado cantidades distintas de ese material.
El propio benchmark sigue siendo un trabajo en curso, según su registro en arXiv. Revisiones futuras podrían modificar las tareas, los prompts, los controladores o los procedimientos de evaluación.
El diseño del controlador es especialmente importante. Un modelo multimodal rara vez manipula un juego únicamente mediante razonamiento abstracto. El sistema de agentes que lo rodea convierte las salidas del modelo en comandos de movimiento e interacción.
Por lo tanto, el rendimiento refleja tanto el modelo subyacente como su andamiaje. Un sistema de mapeo o un controlador de bajo nivel mejor podría mejorar los resultados sin modificar el modelo.
Los autores del benchmark reconocen otra limitación. MineExplorer se centra actualmente en la evaluación empírica, aunque su infraestructura también puede respaldar el entrenamiento.
Entrenar en el entorno del benchmark crea su propio riesgo. Una vez que los desarrolladores optimizan directamente contra tareas públicas, las mejoras en la clasificación pueden reflejar especialización en el benchmark en lugar de exploración general.
El código de MineExplorer, totalmente abierto, facilita la reproducción y ampliación. También vuelve más importantes las cuestiones de contaminación y sobreajuste para lanzamientos posteriores de modelos.
Las evaluaciones independientes deberían preservar escenarios de prueba ocultos. También deberían variar las distribuciones de escenas, las estructuras de dependencias, las implementaciones de controladores y los formatos de prompts.
El contexto histórico respalda esta cautela. MinePlanner publicó anteriormente 45 tareas de Minecraft para planificación de largo horizonte y concluyó que los planificadores consolidados tenían dificultades con grandes entornos que contenían muchos objetos.
El benchmark MinePlanner se centró en planificación proposicional y numérica, en lugar de exploración multimodal interactiva. Sus resultados aun así mostraron que Minecraft puede revelar problemas de escalabilidad ocultos por dominios de planificación más pequeños.
Otros sistemas han examinado el seguimiento de instrucciones, la construcción, la memoria y las habilidades abiertas. Estos proyectos utilizan el mismo juego para preguntas diferentes, por lo que sus puntuaciones principales no deberían compararse directamente.
La contribución específica de MineExplorer es la combinación de interacción visual continua, prerrequisitos ocultos, construcción de tareas de múltiples saltos y evaluación de hitos basada en reglas.
Su afirmación de ser el “primero” debe interpretarse dentro de esa definición. Minecraft ya había albergado investigación de largo horizonte antes de MineExplorer. La reivindicación de novedad del equipo se refiere a la exploración multimodal de mundo abierto a escala de minutos bajo su estructura de evaluación particular.
Otra limitación es la falta de una reacción independiente amplia tan poco después del lanzamiento. La mayor parte de la interpretación detallada proviene actualmente de los autores y de sus canales técnicos afiliados.
Los resultados medidos están disponibles para su inspección, pero las explicaciones causales siguen siendo en parte interpretativas. La gran proporción de fallos de navegación, por ejemplo, no aísla por completo si la causa raíz fue el mapeo, la memoria, la planificación o la ejecución de acciones.
Estas incertidumbres no eliminan el hallazgo central. El éxito cae con fuerza a medida que se acumulan los prerrequisitos ocultos. Definen lo que futuros experimentos deben separar.
El código abierto convierte a MineExplorer en algo más que una clasificación
El lanzamiento importa porque los investigadores pueden comprobar si mejores memorias, controladores o métodos de entrenamiento aplanan la curva de fallos de largo horizonte.
El equipo utilizó un flujo de trabajo multiagente para construir las instancias del benchmark. Cinco agentes especializados colaboran bajo un orquestador que controla su secuencia.
El flujo de trabajo comienza con un borrador inicial de la tarea. Después, agentes especialistas y de validación debaten el diseño, identifican inconsistencias y revisan la escena, el grafo de dependencias y los evaluadores de hitos.
Según la evaluación humana de los autores, este proceso incrementó la validez de las instancias en aproximadamente 30 puntos porcentuales respecto a una línea base de un solo agente. También elevó las puntuaciones de calidad en cerca de 0,5 puntos, con el mayor beneficio en las tareas de cuatro saltos.
La versión final contiene 813 instancias verificadas por humanos. Un subconjunto difícil independiente ofrece 100 escenarios seleccionados por su mayor dificultad.
Este proceso de generación aborda un problema persistente de los benchmarks. Construir manualmente cientos de entornos interactivos es lento, mientras que las tareas generadas por modelos sin restricciones suelen contener objetivos imposibles o evaluaciones defectuosas.
Combinar síntesis automatizada con verificación humana ofrece una vía intermedia. El enfoque puede producir más tareas mientras mantiene un filtro de calidad.
El mismo método puede generar escenarios de entrenamiento, no solo casos de prueba. Los investigadores pueden crear grafos de dependencias, instanciar escenas sandbox y añadir comprobaciones deterministas de hitos.
Esto importa porque los agentes de largo horizonte necesitan practicar con fallos que se desarrollan con el tiempo. Los conjuntos de datos visuales estáticos no pueden enseñar a recuperarse de un giro equivocado o de un prerrequisito omitido.
La infraestructura abierta también invita a alternativas al escalado integral de modelos. Un equipo puede mantener constante el modelo base y probar mapas espaciales explícitos, memoria episódica, grafos causales o planificadores jerárquicos.
Otro experimento podría separar la planificación de alto nivel del movimiento de bajo nivel. El modelo podría seleccionar objetivos mientras un controlador especializado se encarga de evitar obstáculos y ejecutar rutas.
Los investigadores pueden entonces preguntar si los fallos de navegación reflejan inteligencia débil, control motor débil o una interfaz inestable entre ambos.
El benchmark también podría respaldar el diseño de currículos. Los agentes podrían comenzar con tareas de un salto y avanzar luego a grafos de dependencias más profundos a medida que se estabilice su tasa de finalización.
Sin embargo, los conjuntos de entrenamiento y evaluación deben permanecer diferenciados. Reutilizar escenarios públicos convertiría MineExplorer en una prueba de memorización.
El resultado futuro más informativo no será una pequeña mejora en la clasificación. Será una caída más plana entre las tareas de un salto y las de cuatro saltos.
Un sistema que aumenta el éxito general mientras conserva la misma curva de colapso ha mejorado la competencia local. Un sistema que mantiene el rendimiento a medida que se profundizan las dependencias ha mejorado la coordinación de largo horizonte.
Esa distinción debería guiar los informes futuros. La tasa general de éxito de tareas comprime varios comportamientos en una sola cifra. El rendimiento específico por salto revela dónde el agente deja de funcionar de forma fiable.
El lanzamiento abierto ofrece a equipos externos las herramientas para poner a prueba estas afirmaciones. También les permite proponer evaluaciones más difíciles sin reconstruir toda la infraestructura de Minecraft.
Qué observar tras el resultado de Anthropic en MineExplorer
La siguiente fase debería centrarse en la reproducción independiente, sistemas de navegación mejorados y un rendimiento estable en tareas inéditas de múltiples saltos.
La primera señal es la reproducción independiente de la puntuación general del 41% y la caída del 77% al 12%. Los investigadores deberían volver a ejecutar Claude Opus 4.6 y otros modelos con configuraciones documentadas de controlador, prompt y entorno.
Una reproducción cercana reforzaría la afirmación de que los prerrequisitos ocultos impulsan un patrón general de fallos. Grandes diferencias sugerirían que el andamiaje del agente contribuye más de lo que indica la clasificación inicial.
La segunda señal es si los sistemas explícitos de estado y navegación reducen la categoría de fallos dominante. Los experimentos útiles deberían comparar el historial de fotogramas sin procesar con mapas, memoria estructurada, grafos causales de tareas y políticas de recuperación de rutas.
Una mejora significativa reduciría los fallos de navegación sin sacrificar el rendimiento de razonamiento o acción. Simplemente aumentar la ventana de contexto no respondería a la crítica central del benchmark.
La tercera señal es el rendimiento de modelos más nuevos en escenarios de cuatro saltos reservados. Los desarrolladores deberían informar del éxito de las tareas por número de saltos, no solo de un promedio general.
Un modelo que obtiene una puntuación más alta en tareas de un salto mientras se mantiene cerca del 12% en tareas de cuatro saltos no ha cerrado la brecha de largo horizonte. Resultados más sólidos en estructuras de dependencias inéditas aportarían mejor evidencia de exploración general.
Los lectores también deberían observar si los desarrolladores de modelos adoptan MineExplorer o evaluaciones relacionadas en las tarjetas oficiales de sistema. Su inclusión indicaría que la interacción multimodal prolongada se está convirtiendo en un objetivo estándar de capacidad.
Para los desarrolladores, la lección práctica ya es clara. No evalúen a un agente solo mediante acciones aisladas o demostraciones pulidas.
Prueben flujos de trabajo completos con prerrequisitos ocultos, estados cambiantes y oportunidades de recuperación. Midan dónde el agente pierde el seguimiento de su objetivo y distingan los errores de percepción de los fallos de navegación, razonamiento y control.
Los compradores empresariales deberían pedir la misma evidencia. La posición de un modelo en un benchmark dice poco sobre si un agente integrado puede completar de forma consistente un proceso de múltiples etapas.
MineExplorer no resuelve el debate sobre la IA corpórea. Proporciona una forma reproducible de hacer más difícil ignorar una debilidad.
El resultado de Anthropic en MineExplorer es especialmente revelador porque Claude Opus 4.6 terminó primero. El modelo más fuerte evaluado aun así perdió 65 puntos porcentuales a medida que la profundidad de la tarea aumentó de un salto a cuatro.
Esa es la inversión central del benchmark. Los modelos multimodales actuales a menudo pueden describir un mundo que no pueden navegar de forma fiable.
Por tanto, el próximo hito creíble para los agentes no es otra respuesta perfecta basada en una captura de pantalla. Es el progreso sostenido en un entorno desconocido, incluida la capacidad de detectar un rumbo equivocado y recuperarse antes de que termine la tarea.
