新基准 MazeBench 揭露顶尖 Agent 难以通过基础 3D 关卡
xeophon · x · 2026-08-18
- MazeBench 发布：这是一个 3D 开放世界环境，旨在评估智能体的长期规划与视觉空间推理能力，包含数百个房间和谜题。测试显示，当今最好的 Agent 也无法突破初始关卡，暴露了现有模型在复杂空间规划上的短板。
- 行业批评：另一条转发内容尖锐指出，如果想知道 AI 的前沿能力在何处依然“糟糕透顶”且令人绝望，这段 39 分钟的访谈提供了深入剖析，暗示当前模型在某些核心任务上仍存在根本性缺陷。
「模型」频道最新
- Gemini 4 Argon 上线 AssemblyAI 网关，语音基准 99.5 分居 50+ 模型之首 — AssemblyAI · 2026-10-16
- Meta 开放权重模型 Muse Spark Open 上架 Ollama：1M 上下文、可接 Claude Code — ollama · 2026-10-16
- 网友晒「Opus 5.5」拼贴作品:模型开始有品味,护城河不存在 — yuwen_lu_ · 2026-10-16
- PrismML 发布 Bonsai 2 三值模型:9B 仅 2GB 可跑手机 — gajesh · 2026-10-16
- 苹果 MLX 让 816B 模型跑在 4 台 Mac Studio 上，36+ tokens/秒 — andrejusb · 2026-10-16
- vLLM 首日支持 Meta 816B 开放权重模型 Muse Spark Open — woosuk_k · 2026-10-16