GPT-6 Astra 跑 3D 评测 MazeBench 60 小时仅得 14%
博主 patiencecave 用自建的 3D 开放世界空间推理评测 MazeBench 测试 GPT-6 Astra：模型运行超过 60 小时，在不使用代码执行的条件下仅得 14%，但已是该评测迄今最强表现，高于带 Python 代码执行的 GPT-5.6 Sol 的 13%，博主据此认为体现了能力的代际跃升；不过距离通过 MazeBench 更难的挑战仍有很大差距。转发该结果的 Andrew Curran 表示关注，Rohan Paul 指出这一成绩约为对比模型 Claude Fable 5.1 的 7 倍。另有 Reddit 用户 WonderfulBuffalo32 贴出 GPT Astra 在无任何工具设置下于 MazeBench 仅得 13% 的评测截图，认为迷宫类空间推理表现远低于预期，与官方 demos 呈现的能力形成明显反差。
已确认
- MazeBench 为长程空间推理评测：200+ 房间中隐藏 100 颗宝石，要求 agent 旋转视角、操纵箱子、从错误中恢复，并执行可能超过 100 步的计划；无 Python 赛道更难，因能用代码的 agent 可逆向求解。
- 为节省 token，评测允许 GPT-6 Astra 每回合批量提交走法而非逐步走子；模型随即稳定地提前规划 10-20 步，把原本约 30 亿 token 的消耗压缩到 3.5 亿。
- Astra 表现超越此前所有 agent，可轻松解决需要同时处理 5 个移动部件的谜题（如华容道类谜题）；探索热力图显示其探索范围远超对比模型 Fable 5.1。
- 失败模式分析显示，Astra 倾向于把关卡当作俯视 2D 平面来理解，把只有 3D 视角才能看到的墙当成隐形屏障；它能完成教学关，但无法通过物体堆叠超过 3 层的 3D 谜题。
尚未确认
- Reddit 帖子称无工具裸跑得 13%，与 patiencecave 报告的 14% 略有出入，两者评测细节是否完全一致暂无交叉验证。
为什么重要
即便是最强的新一代模型，在长时程、真 3D 空间推理上仍存在结构性短板，「俯视图式」世界理解仍是当前模型的瓶颈；同时批量规划带来的 token 消耗骤降，也展示了 agent 评测设计对成本的显著影响。
2026-09-07 ~ 2026-09-08 · 8 条相关
- 第 1 集:GPT-6 Astra 跑 3D 评测 MazeBench 60 小时仅得 14%(2026-09-07,8 条)
- 第 2 集:GPT-6 Astra 实测 MazeBench：裸跑已胜上代带工具(2026-09-14,6 条)
一手来源
- GPT-6 Astra 跑 60 小时 3D 空间推理评测,仅得 14 分 — patience_cave ·
- GPT-6 不用代码执行(14%)仍胜过带 Python 的 GPT-5.6(13%) — patience_cave ·
- GPT Astra 裸跑 MazeBench 仅得 13%,无工具成绩惨淡 — Wonderful_Buffalo_32 ·
- 【源头】GPT-6 Astra 跑 60 小时 3D 空间推理评测,仅得 14 分 — patience_cave · 2026-09-07
- GPT-6 Astra 超越以往所有 agent,能同时处理 5 个动态要素 — patience_cave · 2026-09-07
- GPT-6 难以理解 3D 世界:只按俯视图推演,3 层以上堆叠即卡关 — patience_cave · 2026-09-07
- 允许批量走子后,GPT-6 把 30 亿 token 压到 3.5 亿 — patience_cave · 2026-09-07
- 【源头】GPT-6 不用代码执行(14%)仍胜过带 Python 的 GPT-5.6(13%) — patience_cave · 2026-09-07
- 【源头】GPT Astra 裸跑 MazeBench 仅得 13%,无工具成绩惨淡 — Wonderful_Buffalo_32 · 2026-09-07
- GPT-6 Astra 无代码跑 MazeBench 拿 14%,达 Claude Fable 5.1 的 7 倍 — rohanpaul_ai · 2026-09-08
另有 1 条近重复转述:basedjensen