MazeBench 迷宫评测：多旗舰模型得 0%，Gemini 3.7 Flash 领跑

MazeBench 于 8 月下旬公布针对 Terra max 的迷宫任务新一轮评测，多个旗舰模型得分几乎为零：ox-alpha、Grok 4.6、GLM-5.3、Qwen 3.8-max 全部为 0%，Gemini 3.7 Flash 以 1% 领跑并超过 Kimi K3。结果显示前沿模型在迷宫类空间推理任务上仍存在明显短板。

已确认

• MazeBench 针对 Terra max 的测试中，ox-alpha、Grok 4.6、GLM-5.3、Qwen 3.8-max 得分均为 0%
• Gemini 3.7 Flash 得分 1%，超过 Kimi K3
• 据 @patiencecave 转述的编码 Agent 细分结果：Grok 4.6 探索了最多的房间（6 个），但解决谜题得分为 0%；Gemini 3.7 Flash 是唯一解决谜题（收集宝石）的模型

为什么重要

• 多个被视为顶尖的旗舰模型在同一任务上集体得 0%，说明迷宫式探索与空间规划仍是当前前沿模型的能力盲区
• Grok 4.6「探索最多但解题为零」与 Gemini「解题最强」的对比，提示探索广度与任务完成能力可以脱钩，为模型能力评估提供了新视角

2026-08-24 ~ 2026-08-26 · 4 条相关

• 【源头】MazeBench 最新成绩：一众旗舰模型迷宫任务得分为零 — patience_cave · 2026-08-24
• 【源头】MazeBench 新榜：Grok 探索最多，Gemini 解题最强 — patience_cave · 2026-08-25
• MazeBench 评测：Grok 4.6 与多模型得分接近 0% — Artemonim · 2026-08-25
• 【源头】MazeBench 新榜：多家顶尖模型得分为 0% — maziarmazi23572 · 2026-08-26