MazeBench 新榜：多数旗舰模型迷宫任务得零分

MazeBench 公布新一轮编码 Agent 评测结果：ox-alpha、Grok 4.6、GLM-5.3、Qwen 3.8-max 等旗舰模型在迷宫任务上全部得 0%，Gemini 3.7 Flash 以 1% 的得分领跑。细节数据显示，Grok 4.6 探索了最多的房间（6 个）但未能解开谜题，而 Gemini 在解题能力上表现最强，凸显模型探索与解题能力的脱节。

2026-08-24 ~ 2026-08-25 · 3 条相关