o3-pro通关“推箱子”，人类怀旧小游戏成了大模型新Benchmark

克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 推箱子、俄罗斯方块……这些人类的经典怀旧小游戏，也成大模型benchmark了。 o3-pro刚刚也挑战了这两款游戏，而且表现还都不错，直接 突破了benchmark上限 。 还有网友直言，比起大模型竞技场，这套标准才更适合做测试大模型的基准。 经典小游戏成为新Benchmark o3-pro挑战的这两个游戏，出自一套名为 Lmgame 的benchmark，顾名思义就是让大模型玩游戏。 o3-pro挑战的推箱子是从1989年的版本修改而来，在o3-pro之前，评估指标是游戏结束之前推动到目标位置的箱子总数。 具体来说，benchmark中推箱子一共就只做到了被o3-pro突破的第六关；俄罗斯方块则是强行终止的结果，实际上o3-pro根本停不下来。 如果和前SOTA——o3比较，o3-pro的成绩也是直接翻倍。 不过这次o3-pro直接把所有关卡都通了，颇有种"得一百分是因为卷面只有一百分"的感觉。 但也不必担心，测试基准会动态更新，GItHub仓库中半个月前更新的游戏地图还只有四关，原版游戏更是有足足50多个关卡。 而在o3-pro挑战之前，表现最好的 ...