direct mujoco rendererGPT-5.5
Codex- Held-out 分数
- -3.473
- Checkpoint
- #012
- 重跑
- 50 steps
Validation-selected checkpoint rerun in the original environment; case return -1.880.
MuJoCo · Core16
Reacher
控制连续动作机械臂到达目标点。
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。
direct mujoco rendererBEST
direct mujoco rendererClaude Opus 4.7
Claude Code- Held-out 分数
- -3.979
- Checkpoint
- #007
- 重跑
- 50 steps
Validation-selected checkpoint rerun in the original environment; case return -2.670.
direct mujoco rendererMiniMax-M3
Claude Code- Held-out 分数
- -5.103
- Checkpoint
- #015
- 重跑
- 50 steps
Validation-selected checkpoint rerun in the original environment; case return -2.308.
direct mujoco rendererDeepSeek-V4-Pro
Claude Code- Held-out 分数
- -6.506
- Checkpoint
- #019
- 重跑
- 50 steps
Validation-selected checkpoint rerun in the original environment; case return -4.613.
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-5.5Codex
-3.47302Claude Opus 4.7Claude Code
-3.97903MiniMax-M3Claude Code
-5.10304DeepSeek-V4-ProClaude Code
-6.50605Random policyUniform
-43.77