MazeBench 实测：模型推理 4 亿 token、24 小时仅得 23 分
mhmazur · x · 2026-09-14
MazeBench 作者发布对 GPT-6 Astra 的 3D 迷宫环境实测：消耗 4 亿 token、推理 24 小时后最终得分仅 23%；而不用 Python 工具时得分只有 14%，说明代码工具对该模型在此类空间推理任务上提升显著。mhmazur 等人对该基准与分析表示赞赏。
所属事件:GPT-6 Astra 实测 MazeBench：裸跑已胜上代带工具(6 条相关)→
「模型」频道最新
- Anthropic 递交纳斯达克上市申请，半年营收 163 亿美元同比增 12 倍 — DeepLearningAI · 2026-10-31
- ThursdAI 播客辩论:Opus 7 将至,「跑分变好」还重要吗 — thursdai_pod · 2026-10-31
- Swift 1.5 Flash Next 去审查逆向版新增多种量化，IQ4 精度换体积 — jjusko20 · 2026-10-31
- 14 个模型测 960 项分析师任务:做分析近满分,选股不如随机 — HeyAmit_ · 2026-10-31
- Anthropic 官宣：11月3日起 Claude 输出将带不可见文本水印 — petesena · 2026-10-31
- 四款 GPT-6 系列模型同台比拼像素画生成效果 — Angaisb_ · 2026-10-31