GPT-6-Astra-Max 登顶 BALROG 游戏基准，NetHack 进度 65% 逼近人类纪录
burny_tech · x · 2026-09-26
Rocktäschel 等人转发了 BALROG（游戏智能体 LLM/VLM 推理基准）排行榜的更新：OpenAI 的 GPT-6-Astra-Max 以总体进度 68.3% 登顶，其中 MiniHack 拿到满分 100%、NetHack 达 65%、NetHack 挑战深度达 13.2；GPT-5.6-Terra-Max 也以 53.2% 位列第二梯队。
- Claude-Opus-5-Max 总分 63.4%，NetHack 进度 37.5%，在 BabaIsAI 等 SLM 任务上表现最好。
- 对比老一代模型：GPT-4o、Gemini-1.5-Pro、Llama-3.3-70B 在 NetHack 深度上普遍不足 3，代际差距明显。
- Rocktäschel 调侃称可以把 NetHack 变成「ASI 基准」——人类连续 ascension 世界纪录是 61 次，而目前最好模型的挑战深度刚过 13。
- egrefen 半开玩笑地写道「祝贺 OpenAI，AGI 达成」。
整体看，前沿模型在长程游戏 agent 任务上的能力一年内大幅跃升，但距人类顶尖水平仍有明显差距。
「模型」频道最新
- 百度首次用 RSI 自动优化文心推理,昆仑芯出字速度提升 6.24 倍 — xiaohu · 2026-11-11
- 百度 ECHO 多 token 预测:复用最后一层打草稿,一次核对出多字 — xiaohu · 2026-11-11
- 文心 5.5 Flash Preview 架构拆解:280B 参数每 token 仅激活 14B — xiaohu · 2026-11-11
- 文心 5.5 纯 Python 逐帧画出 117 秒《鹈鹕测试》,还能卡鼓点剪辑 — xiaohu · 2026-11-11
- 百度开源文心 5.5 Flash Preview:连写 11 小时代码做出武侠游戏 — xiaohu · 2026-11-11
- 3.5万个 Grok 生成应用裸奔泄露患者数据与明文密码 — The Decoder · 2026-11-11