MazeBench 推出 3D 开放世界推理评测
i_dg23 · x · 2026-07-29
帖子介绍了一个名为 MazeBench 的新基准：它是一个 3D 开放世界环境，用来评估模型的长期规划和视觉空间推理能力。
作者称，MazeBench 覆盖数百个房间和谜题，关卡是手工设计的，而且评测时允许模型发挥完整能力，不需要人为加很多限制；但目前最好的 agent 仍然过不去最初几关。
这个基准想测什么
- 空间推理
- 长程规划
- token 使用效率
- 在困难目标下不“卡死”
作者认为，这可能是近期见过最好的推理类 benchmark 之一。
所属事件:MazeBench 开源发布：3D 开放世界评测智能体长程规划(14 条相关)→
「研究」频道最新
- 阿斯利康与 insitro 达成 4000 万美元 AI 药物研发合作 — HealthcareLdr · 2026-10-17
- Fizgig LoRA 隔离法:50 个陌生人 0 串脸,相似度几乎不损失 — shootthesound · 2026-10-17
- NVIDIA 开源 midtraining 配方：500B token 让 SWE-bench Multilingual 涨 7 分 — dair_ai · 2026-10-17
- 16 万引用审计：DeepSeek/豆包展示的链接近 40% 根本没被用过 — Sanbi_Ai · 2026-10-17
- 研究发现狗也表现出 Bouba–Kiki 联觉效应 — abenitezburraco · 2026-10-17
- rasbt「Reasoning From Scratch」完结：手把手蒸馏推理模型 — rasbt · 2026-10-17