MazeBench 数据：开源模型仍远落后 GPT-6 Astra，宝石收集差 8 倍

MazeBench 系列测试显示，开源权重模型在智能与移动效率上仍明显落后 GPT-6 Astra。GPT-6 Astra 宝石收集任务完成率为 16%，而 Kimi K3.1 Pro 为 2%、DeepSeek v4.1 Flash 为 1%，且需要数倍移动步数。 OpenAI 与 Anthropic 的差距具体体现在哪些核心指标上？