MazeBench 开源发布：3D 解谜世界考验长时序 Agent

新评测环境 MazeBench 发布，用于测试 Agent 在 3D 开放世界中的长时规划与视觉空间推理能力，包含推箱子谜题、电梯、冰面等机制且无难度上限。它以本地浏览器应用形式提供，可在同一 JavaScript 引擎中构建、游玩并评测模型，安装仅需 pip。测试结果显示，不使用 Python 的 Agent 仅能完成约 1% 的关卡。针对排行榜质疑，作者强调代码与所有关卡完全开源，任何模型搭配任意 harness 均可参赛。

2026-08-21 ~ 2026-08-21 · 3 条相关

• MazeBench 评测发布：长时序 Agent 挑战，无 Python 仅 1% — JFPuget · 2026-08-21
• MazeBench 完全开源：任意模型配任意 harness 均可参赛挑战 — xeophon · 2026-08-21
• MazeBench：浏览器里搭3D解谜世界给模型做评测 — xeophon · 2026-08-21