迷宫 benchmark 用 45 度转向测试模型的空间记忆与工具调用

TheRealMasonMac · reddit · 2026-07-25

作者做了一个迷宫 benchmark，用来测试模型的空间感知、记忆能力和工具调用能力。任务很简单：先找到钥匙，再开门，最后逃出去；每次动作后都会返回可观察到的环境信息。

为了让任务可做，系统提供了前进/后退、以 45° 为步进转向、开门、捡取物品等工具。作者还在模型总是迷路后，额外标注了哪些格子可以通行。初步测试里，GPT-5.4 mini 和 GLM-5.2 都在绕圈，而 K2.6 表现更好；GLM-5.2 累计用了约 6200 万 tokens，K2.6 约 900 万，但作者也说明两者设置并不完全可比。