MazeBench用3D开放环境评估视觉空间推理和长期规划，当前最高分仅12%。
推荐理由：3D多房间谜题把评测从静态问答推向连续视觉决策，12%最高分暴露现有智能体在空间记忆、目标分解和跨步骤规划上的短板。
阅读原文