o1 和 Claude 3.5 顶级推理模型为何在 2D 迷宫面前集体翻车
推理模型在空间任务上的崩盘：为何顶级 LLM 无法驾驭 2D 迷宫
当面对需要实时决策的二维迷宫任务时，包括 Claude 3.5 Sonnet 在内的先进语言模型表现出了出乎意料的脆弱性。即便这些模型在编写 A* 算法或解决复杂数学题时展现出惊人的推理能力，但在迷宫这样的空间互动场景中却频频失误。这种现象并非推理能力本身的缺陷，而是当前推理范式与动态环境之间存在根本性的割裂所致。
模型在迷宫任务中的失效过程通常遵循一个清晰的模式：它们能够在前 3 到 5 步内做出合理的路径规划，展现出类人类的判断力，但随后逐渐陷入混乱。这种退化并非由于计算资源不足，甚至增加推理 Token 的数量也无法改善这一状况。这揭示了一个深层次的问题：缺乏真实的空间记忆与动态感知机制，使得模型无法维持长时间的一致性推理。
更为关键的是，当前的推理模型缺乏有效的闭环反馈系统。在迷宫任务中，每次遇到墙壁（Wall Hit）或状态变化都应当立即触发策略调整，但这些模型往往倔拗地坚持既有逻辑链路，而非根据环境反馈重新评估方向。这一缺陷使得它们在面对需要连续决策的场景时，变得极其僵化，缺乏应对复杂度上升的灵活性。
这种表现背后的根本原因在于，当前的推理模型本质上是在执行一种高度优化的模式匹配与文本推理，而非真正意义上的空间理解。它们并未建立起一个动态的物理世界模型，因此无法将字符描述或图像信息转化为实时的空间认知。这使得它们在面对需要感知-决策-反馈循环的任务时，显露出先天性的局限。
对于 AI Agent 的未来发展而言，这一现象提出了一个严峻的挑战。若目标仅局限于代码生成或文档撰写，现有模型已足够强大；但要构建能够操作网页、参与实时游戏或在机器人硬件上运行的智能体，则仅凭提升参数量与推理长度远远不够。真正的突破需要在感知、决策与环境互馆之间构建起更紧密的耦合机制，否则所谓的推理能力终将局限于纸上谈兵。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
坐标系这玩意儿居然成了顶级模型的死穴，o1 居然在 2D 迷宫里迷路，太离谱了。测试里这些模型前 3-5 步还能装得像专家，一旦步数增加，缺乏真实空间记忆，就迅速陷入逻辑死循环——在两个格子间来回穿梭，或完全忘记初始目标点。
o1 画迷宮出口結果它在原地轉了八圈，這邏輯斷裂得也太離譜了！可是呢，這其實跟我們早就發現的現象一樣：就算是 Claude 3.5 Sonnet 這種邏輬極強，或是以強化學習推理為賣點的 OpenAI o1 系列，一旦進到需要即時互動且具空間邏輯的 2D 迷宮環境中，表現都貧弱得可笑。
這種反差真的讓人無語。這些模型能輕鬆寫出複雜的 A* 寻路算法，甚至解出高難度的奧數題，但面對「左轉、右轉、撞牆、決定方向」這種基礎的連續決策任務時，邏輴鏈就瞬間斷裂。一個能推演量子力學的模型，竟然在簡單的二维坐标系中迷路了。
透過分析測試數據，我發現核心問題不在於模型是否夠聰明，而在於目前的推理範式與交互式環境之間存在嚴重的脫節。面對迷宮的字符描述或截圖時，模型是在嘗試匹配訓練集中類似的路徑模式，它並不擁有實時的、動態的物理世界模型。在它看來，坐標 (2,3) 到 (2,4) 的移動只是兩個文本 Token 的更替，而非物理空間的一次位移。
更致命的是感知與執行的斷層。目前的模型本質上是在進行「模式識別」或「文本邏輬推導」，而非真正「理解」空間。長程規劃（Long-horizon planning）在實際互動中失效速度極快。測試顯示，模型在前 3-5 步往往表現得像專家，能精準規劃路徑，但隨著步數增加，由於缺乏真實空間記憶，會迅速陷入邏輬死循環——在兩個格子間來回穿梭，或完全忘記初始目標點。即使增加推理 Token 依然存在此現象，說明單憑增加思考時間（Think time）是無法弥补空間感知能力的缺失。
最關鍵的是缺乏閉環反饋機制。真正的智能體（Agent）需要根據環境即時反饋（如收到 Wall Hit 报错或状态更新）立即修正策略。但目前的推理模型在處理交互式反饋時，很難將「環境变化」即時轉化為「推理路径的调整」，它們傾向於在自己的邏輬閉環里死磕，而非根據外部環境真實反饋
这不就是典型的概率预测吗？模型把坐标移动当成 Token 替换，根本缺乏“感知-决策-反馈”闭环，翻车太正常了。