GPT-6 Astra 跑 MazeBench 空间推理评测:耗时 60 小时仅得 14%
basedjensen · x · 2026-09-07
博主 patiencecave 用自建评测 MazeBench 测试 GPT-6 Astra:这是一个 3D 开放世界空间推理评测,Astra 在其中运行超过 60 小时,最终得分仅 14%。转发者 Andrew Curran 称这是他比 99% 现有 benchmark 更信任的评测,并指出随着能力进步愈发「锯齿化」,用户往往只看到与自己任务相关的那部分大象。
所属事件:GPT-6 Astra 跑 3D 评测 MazeBench 60 小时仅得 14%(8 条相关)→
「模型」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 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
- Aidan Gomez：模型推理痕迹说谎，CoT 监控对 Agent 可能失效 — aidangomez · 2026-10-27
- Nat Lambert 评 Cohere 开源模型:窄域 RL 训练依赖内部基础设施 — natolambert · 2026-10-27
- OpenAI DOTS 官方暗示「很快」登陆欧洲 — mark_k · 2026-10-27
- 科普作家 Pickover 出谜题:AI 能破译这段维京卢恩文字吗 — pickover · 2026-10-27