Portal2Bench 基准测试评估 AI 智能体在 Portal 2 关卡中的表现
先了解这件事
Portal2Bench 是一个与 Valve 无关的独立基准测试，已公布结果，衡量 AI 智能体能否解决 Portal 2 第 2 至第 5 章的 26 个测试关卡。只有当智能体在 300 次规划内、花费不超过 30 美元的情况下到达下一张地图，该关卡才算解决；每个关卡都独立重新运行，运行费用按 API 标价计算。 通过 Codex 运行，GPT-6.1 Sol 和 GPT-6 Astra 各解决了 26 个关卡中的 20 个，GPT-6.1 Terra 解决了 19 个，Opus 5.5 解决了 11 个，Sonnet 5.5 解决了 6 个，GPT-6 Luna 解决了 0 个。智能体发送按键并查看转向，接收截图和自身位置，只能访问一个笔记文件夹，没有 shell、网络或控制台。每个已解决关卡的中位成本从 GPT-6.1 Terra 的 0.74 美元到 Fable 5.1 的 13.12 美元不等。 Portal2Bench 表示，大多数模型以最大努力运行，Gemini 4 Argon 为高，且由于算力限制和使用限制，大多数关卡仍在运行中。
AI 根据报道生成 · 13 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Hacker News · AIPortal2Bench 测试 AI 智能体能否通关《传送门 2》关卡
Portal2Bench 是一个与 Valve 无关的独立基准测试，用于衡量 AI 智能体能否通关《传送门 2》第 2 至第 5 章的 26 个测试关卡；只有当智能体在 300 次规划和 30 美元预算内到达下一张地图时，该关卡才计为通关。通过 Codex 运行的 GPT-6.1 Sol 和 GPT-6 Astra 各自通关了 26 个关卡中的 20 个，GPT-6.1 Terra 通关 19 个，Opus 5.5 通关 11 个，Sonnet 5.5 通关 6 个，GPT-6 Luna 通关 0 个。智能体发送按键和视角转向，并接收截图和自身位置，只能访问一个笔记文件夹，无法使用 shell、网络或控制台；每个通关关卡的中位成本从 GPT-6.1 Terra 的 0.74 美元到 Fable 5.1 的 13.12 美元不等。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。