3D 空间推理基准 MazeBench：前沿模型得分惨淡

博主用自建的 3D 空间推理基准 MazeBench 测试各家前沿模型，结果显示整体表现不佳：Opus 5.5 得分 6%，被认为正逐步逼近「Astra」水平，而 GPT-6 Sol 与 Grok 4.7 均仅得 1%。榜单公布后在社区引发转发讨论，凸显当前模型在 3D 空间推理任务上的短板。

2026-09-23 ~ 2026-09-23 · 2 条相关

• 3D 空间推理基准 MazeBench：Opus 5.5 得 6%，GPT-6 Sol 仅 1% — patience_cave · 2026-09-23

另有 1 条近重复转述:daniel_mac8