MazeBench 新结果：Gemini 3.8 Flash 仅得 4%，模型普遍低于 1%
patience_cave · x · 2026-09-04
patiencecave 公布 MazeBench（3D 开放世界迷宫基准）最新结果：Gemini 3.8 Flash 得 4%，Muse Spark 1.3 得 0%，Fable 5.1 仍在跑，目前与 Fable 5 持平。
关键结论：在没有代码执行能力的情况下，模型在该环境中得分都低于 1%。后续补充：GPT-5.6 Sol 目前居首（跑得更久且更便宜）；Fable 5.1 已到 10%，若保持速度可能登顶；Google 的 Flash 系列两个月内从 0% 到 1% 再到 4%，热力图对比显示每代 agent 的世界建模精度都在提升。
「模型」频道最新
- Muse Spark 1.3 实测:16K 体素 3D 场景 30+fps,逼近 GLM-5.3 与 GPT-5.6 Sol — cedric_chee · 2026-09-05
- Qwen3.8-27b 成他首个敢盲跑的本地模型:连续 Agent 工作 8 小时零失误 — Express_Quail_1493 · 2026-09-04
- GLM 推出四项免费活动：编码计划不限量、周末送 4 亿 token — Zai_org · 2026-09-04
- Muse Spark 1.3 三维体素场景实测：性能紧追 GLM-5.3 与 GPT-5.6 — cedric_chee · 2026-09-04
- 实测发现:设 reasoning effort 为 none,压缩上下文仍消耗推理 token — mhmazur · 2026-09-04
- 爆料讨论：OpenAI 或用合成 CoT 改写内化推理链 — cephaloform · 2026-09-04