现在的顶级推理模型在面对二维迷宫时居然会集体“降智”

现在的各种大模型，不管是号称推理能力极强的 Claude 3.5 Sonnet，还是最近风头正劲的 o1 系列，一旦把它们扔进一个需要实时交互、具备空间逻辑的 2D 迷宫环境里，表现简直可以用“惨不忍睹”来形容。这事儿挺讽刺的，它们能写复杂的算法代码，能解奥数题，但一涉及到“左转、右转、撞墙了、现在该往哪走”这种最基础的空间连续决策，逻辑链条就瞬间断掉。

我仔细看了下相关的测试数据，这背后的核心问题其实不在于模型“不够聪明”，而在于目前的推理范式和交互式环境之间的脱节。

为什么这些推理模型会在这里翻车

• 感知与执行的断层： 现在的模型大多是基于文本或静态图像进行推理的。当你给它一个迷宫的描述或者一张截图时，它是在做“模式识别”或者“文本逻辑推导”，而不是在真正“理解”空间。它并没有一个实时的、动态的物理世界模型。
• 长程规划的失效： 迷宫这种任务要求模型必须具备极强的长程规划能力（Long-horizon planning）。模型往往在走前几步的时候表现得像个专家，但随着步数增加，它会完全忘记自己最初的目标，或者在原地打转，陷入一种逻辑死循环。
• 缺乏闭环反馈机制： 真正的智能体（Agent）需要根据环境的反馈（比如“你撞墙了”）来修正策略。但目前的 Frontier Reasoning Agents 在处理这种交互式反馈时，很难将“环境变化”实时转化为“推理路径的调整”，导致决策逻辑非常僵化。

这种能力的缺失意味着什么

这其实给现在的 AI Agent 开发指出了一个非常硬核的坑。如果你只是想做一个写代码、写文档的助手，现在的模型绰绰有余；但如果你想做一个能操作网页、能玩游戏、或者能在机器人硬件上跑起来的实体 Agent，仅仅靠堆参数、堆推理 Token 是解决不了问题的。

我们现在看到的所谓“推理能力”，很大程度上是在模拟人类的语言逻辑，而不是在模拟人类处理物理世界的方式。如果模型不能在动态、交互的环境中建立起一套可靠的“感知-决策-反馈”闭环，那么它永远只能停留在“纸上谈兵”的阶段，无法真正进入现实世界的复杂任务流。