native env renderGPT-5.5
Codex- Held-out 分数
- 0.664
- Checkpoint
- #013
- 重跑
- 38 steps
Validation-selected checkpoint rerun in the original environment; case return 0.658.
MiniGrid · Core16
FourRooms
在部分观测下穿越四房间瓶颈。
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
- 0.701
- Checkpoint
- #009
- 重跑
- 32 steps
Validation-selected checkpoint rerun in the original environment; case return 0.712.
native env renderMiniMax-M3
Claude Code- Held-out 分数
- 0.403
- Checkpoint
- #009
- 重跑
- 100 steps
Validation-selected checkpoint rerun in the original environment; case return 0.000.
native env renderDeepSeek-V4-Pro
Claude Code- Held-out 分数
- 0.079
- Checkpoint
- #036
- 重跑
- 100 steps
Validation-selected checkpoint rerun in the original environment; case return 0.000.
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
0.70102GPT-5.5Codex
0.66403MiniMax-M3Claude Code
0.40304DeepSeek-V4-ProClaude Code
0.07905Random policyUniform
0.042