跳到主要内容

MiniGrid · Core16

DoorKey

寻找钥匙、打开门并到达目标。

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。

01

最终 Policy 证据

每张卡片都在原研究 Environment 中重跑 validation 选出的 checkpoint。

GPT-5.5 Policy rerun in DoorKeynative env render

GPT-5.5

Codex
BEST
Held-out 分数
0.986
Checkpoint
#007
重跑
43 steps

Validation-selected checkpoint rerun in the original environment; case return 0.985.

Claude Opus 4.7 Policy rerun in DoorKeynative env render

Claude Opus 4.7

Claude Code
#2
Held-out 分数
0.983
Checkpoint
#005
重跑
66 steps

Validation-selected checkpoint rerun in the original environment; case return 0.977.

MiniMax-M3 Policy rerun in DoorKeynative env render

MiniMax-M3

Claude Code
#3
Held-out 分数
0.000
Checkpoint
#015
重跑
220 steps

Validation-selected checkpoint rerun in the original environment; case return 0.000.

DeepSeek-V4-Pro Policy rerun in DoorKeynative env render

DeepSeek-V4-Pro

Claude Code
#4
Held-out 分数
0.000
Checkpoint
#025
重跑
220 steps

Validation-selected checkpoint rerun in the original environment; case return 0.000.

02

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。

01GPT-5.5Codex0.986
02Claude Opus 4.7Claude Code0.983
03MiniMax-M3Claude Code0.000
04DeepSeek-V4-ProClaude Code0.000
05Random policyUniform0.000