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。
「编程与Agent」频道最新
- 用 $28 算力让模型给自己造 copilot：他的新模型个人基准 — bucolucas · 2026-10-27
- Agent 中途改计划该被允许吗：真实系统介入时的边界之辩 — wistfulcracker84 · 2026-10-27
- HeyGen 联手 Canva:幻灯片讲者备注自动变数字人讲解视频 — HeyGen · 2026-10-27
- 隐私场景实测：本地 Qwen 3.8 FN 不输云端前沿模型还更快 — dr_lm · 2026-10-27
- Cloudflare Computer 支持 agent 中断恢复，可跳过已完成的非幂等请求 — irvinebroque · 2026-10-27
- LLM Tails 实测省 80% 输入 token：先读后写约束 agent 编码 — savadks1818 · 2026-10-27