MazeBench排行与解谜效率观察更新
先了解这件事
Anthropic的Fable 5.2在早期MazeBench解谜评测中获15%得分,被列为新的前沿模型;现有报道对其与GPT-6 Astra的关系表述不一,分别称其微弱落后或追平。Fable 5.2价格约为Astra一半,评测者连续运行40小时后称其token效率最高。 后续一张未经核验的榜单截图显示,gpt-6-astra得分16%,高于Fable 5.2,GPT-6.1 Terra、Claude Sonnet 5.5和Gemini 4 Hydrogen分别仅得8%、4%和1%,因此“登顶”结论尚不能确认。 patiencecave另称,Gemini 4 Neon按未缓存输入token计算的解谜效率显著高于竞品,约消耗10万token完成大部分探索,而Fable 5.2、GPT-6.2 Astra等需达千万级;这一效率结论来自其对对数坐标图的观察。
AI 根据报道生成 · 2 小时前更新
事件进展
3 个进展
- 11月20日 00:02 · 1 篇报道Gemini 4 Neon token效率观察AGI Hunt:MazeBench 观察:Gemini 4 Neon 未缓存 token 效率远超竞品
- 11月13日 04:15 · 2 篇报道分享MazeBench模型评测截图AGI Hunt:MazeBench 迷宫评测:顶级模型集体翻车,最高仅 8%
- 11月11日 23:01 · 2 篇报道Fable 5.2登顶MazeBenchAGI Hunt:Fable 5.2 登顶 MazeBench,解谜能力追平 GPT-6 Astra
报道时间线
沿着报道,了解事件的不同侧面。
- AGI HuntMazeBench 观察:Gemini 4 Neon 未缓存 token 效率远超竞品
博主 patiencecave 称,Gemini 4 Neon 在 MazeBench 上按未缓存输入 token 计算,解谜效率显著超过其他模型。对数坐标图显示,Neon 约消耗 10 万未缓存 token 即完成大部分探索,而 claude-fable-5-2、gpt-6.2-astra 等模型需要千万级 token。
- AGI HuntFable 5.2 登顶 MazeBench,但旧答案疑云引发关注
Claude Code max 驱动的 Fable 5.2 在 MazeBench 上以 21% 得分创下新纪录,耗时 90 小时、花费 6000 美元,被认为 token 效率最高。其在 2 亿 token 检查点即达到 21%,却在两周前刚更新且旧解法已作废的困难关卡中直接给出旧版答案,疑似数据污染;后续将跑满 10 亿 token 进一步验证。
- AGI HuntMazeBench 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。
- AGI HuntMazeBench 榜单:顶级模型集体翻车,最高分仅 8%
MazeBench 评测截图显示,顶级模型整体表现低迷:GPT-6.1 Terra 得分 8%、Claude Sonnet 5.5 得分 4%、Gemini 4 Hydrogen 得分 1%,截图中最高的 gpt-6-astra 也仅为 16%。榜单真实性尚未经验证,相关分数反差更适合作为趣闻观察。
- AGI HuntFable 5.2 登顶 MazeBench,解谜能力追平 GPT-6 Astra
Fable 5.2 登顶 MazeBench,以 15% 得分成为新的前沿模型,解谜能力追平 GPT-6 Astra。其价格约为 Astra 一半,40 小时运行后 token 效率最高;若要进一步超越,可能需要更高成本或再运行数周。
- AGI HuntMazeBench 排行:Fable 5.2 得分 15%,token 效率最高
MazeBench 评测显示,Fable 5.2 得分 15%,以微弱差距低于 GPT-6 Astra,但价格只有一半。作者连续测试 40 小时后认为,Fable 5.2 是迄今 token 效率最高的模型。Gemini 4 Carbon 得分 11%,全程表现不如前代 Gemini 4 Argon。
本事件热度走势
- 可比范围当前
- 10
- 可比范围峰值
- 1011月13日 05:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。