新基准 Baba is Harbor 测评多模型
pmigdal · reddit · 2026-07-17
作者们开源了一个名为 Baba is Harbor 的 benchmark，把《Baba Is You》的关卡移植到 Harbor agentic RL 环境中，用来测试模型在游戏式任务中的表现。 在 Stage 0 和 Stage 1 的测试里，Claude Fable 5 与 GPT-5.6 Sol 基本都能解出大部分关卡，其中 Fable 5 速度更快，但仍然比人类慢约 4 倍。作者还指出，他们没有观察到明显的记忆化迹象，并在博客中提供了完整流程、尝试次数、token 用量和总成本等细节。