MazeBench 评测发布：长时序 Agent 挑战，无 Python 仅 1%
JFPuget · x · 2026-08-21
MazeBench 是一个新的评测环境，旨在测试 Agent 在 3D 开放世界中的长时规划和视觉空间推理能力。环境包含推箱子谜题、电梯、冰面等机制，且没有难度上限。测试结果显示，如果不使用 Python 工具，所有模型得分均低于 1%；启用 Python 后，GPT-5.6 Sol、Fable 5 和 Opus 5 等前沿模型得分约为 10%。
所属事件:MazeBench 开源发布：3D 解谜世界考验长时序 Agent(3 条相关)→
「研究」频道最新
- WEDGE 论文：把导航失败经历变成可学习的训练环境 — _akhaliq · 2026-10-16
- RExBench 基准:最强编码 Agent 自主完成研究扩展成功率仅 33% — najoungkim · 2026-10-16
- Google 发布 CLASHarness:基准测试多智能体冲突下的计算机操作能力 — google · 2026-10-16
- 清华团队证明:普通 Flow Matching 采样无法突破固定深度模型表达力上限 — SQZ · 2026-10-16
- APEX-Harm 基准:共享工作区中脚本注入攻击对智能体成功率居高不下 — KAUST · 2026-10-16
- USC 研究:智能体 residual stream 状态可预测并拦截越权动作与事后撒谎 — USC · 2026-10-16