MazeBench 迷宫评测：顶级模型集体翻车，最高仅 8%

MazeBench 迷宫解谜评测中，顶级模型集体失利，GPT-6.1 Terra 以 8% 的得分居首，Claude Sonnet 5.5 和 Gemini 4 Hydrogen 分别仅得 4% 和 1%。结果显示，前沿模型在空间推理与迷宫解谜任务上仍存在明显短板。