native env renderGPT-5.5
Codex- Held-out 分数
- 95.22
- Checkpoint
- #005
- 重跑
- 88 steps
Validation-selected checkpoint rerun in the original environment; case return 95.69.
Control · Core16
ContinuousCar
带延迟目标奖励的连续油门控制任务。
历史研究记录
这些证据属于论文时期实验，并不表示相关 package 当前仍然可用。
最终 Policy 证据
每张卡片都在原研究 Environment 中重跑 validation 选出的 checkpoint。
native env render#2
native env renderClaude Opus 4.7
Claude Code- Held-out 分数
- 98.77
- Checkpoint
- #010
- 重跑
- 344 steps
Validation-selected checkpoint rerun in the original environment; case return 98.89.
native env renderMiniMax-M3
Claude Code- Held-out 分数
- 91.88
- Checkpoint
- #010
- 重跑
- 143 steps
Validation-selected checkpoint rerun in the original environment; case return 91.61.
native env renderDeepSeek-V4-Pro
Claude Code- Held-out 分数
- 94.48
- Checkpoint
- #012
- 重跑
- 69 steps
Validation-selected checkpoint rerun in the original environment; case return 94.50.
报告分数
在该 Environment 内分数越高越好；不同任务的原始 reward scale 不可比较。
01Claude Opus 4.7Claude Code
98.7702GPT-5.5Codex
95.2203DeepSeek-V4-ProClaude Code
94.4804MiniMax-M3Claude Code
91.8805Random policyUniform
-33.36