研究者自建空间规划评测:GPT-6 与 Claude Opus 5.5 泊车任务双双翻车
songhan_mit · x · 2026-11-22
研究者 Jinglun Zhao 发布了一项针对 LLM Agent 空间规划能力的评测,以「泊车」为测试任务,衡量模型在狭窄空间中理解与规划路径的能力,包含 Offset 入位、死胡同车道、T 形/ L 形车道、斜列车位、路缘扩展等 6 种场景,并对路线距离、换挡次数、最小间隙进行打分。
关键发现:
- 机器人操纵类任务正接近饱和、成功率普遍走高,但空间规划仍能持续区分模型差异
- GPT-6-Astra 在前两个布局中每次都「停不进车位」,Claude Opus 5.5 则在两个布局中均未找到有效路线
- 即使三个模型(GPT-6-Astra/Luna、DeepSeek V4.1 Flash)都给出有效路线,质量差异巨大:同场景下得分从 78.8 到 11.0 不等,最小间隙最差仅 5.90 cm
评测附有轨迹回放与全车身碰撞验证,路线按 recorded trajectories 重建,取每模型五次重复中的第一次而非最佳成绩。
「模型」频道最新
- Claude 老用户实测后惊叹:Gemini 进步大得离谱 — ScreenPlayLife · 2026-11-22
- Gemini Neon 解析锁竞争:交互式 UI 演示 16 核测试机掩盖 128 核生产事故 — tianyin_xu · 2026-11-22
- OpenAI 公开如何检测与反制对抗性模型蒸馏 — rhiever · 2026-11-22
- 博主热议微软新模型:部分型号成本降 80 倍、速度快 50 倍 — ChrisUniverse · 2026-11-22
- Inkling 2 Mini 去审查版发布:拒答率从 100% 降到 0% — Top-Eye-8104 · 2026-11-22
- GPT-6.2 写作翻译成功率降至 85.9%,比上代跌 5.3 个百分点 — arena · 2026-11-22