native env renderGPT-5.5
Codex- Held-out 分数
- 0.904
- Checkpoint
- #021
- 重跑
- 90 steps
Validation-selected checkpoint rerun in the original environment; case return 0.887.
MiniGrid · Core16
ObstructedMaze
带阻挡物与交互顺序的迷宫导航。
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
- 0.911
- Checkpoint
- #012
- 重跑
- 48 steps
Validation-selected checkpoint rerun in the original environment; case return 0.940.
native env renderMiniMax-M3
Claude Code- Held-out 分数
- 0.000
- Checkpoint
- #009
- 重跑
- 220 steps
Validation-selected checkpoint rerun in the original environment; case return 0.000.
native env renderDeepSeek-V4-Pro
Claude Code- Held-out 分数
- 0.000
- Checkpoint
- #034
- 重跑
- 220 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
0.91102GPT-5.5Codex
0.90403MiniMax-M3Claude Code
0.00004DeepSeek-V4-ProClaude Code
0.00005Random policyUniform
0.000