16 个大模型挑战 TIS-100 编程游戏，Opus 5.5 与 GPT-6 Astra 并列领先
一项测试让 16 个大模型在 TIS-100 汇编解谜游戏中各做一次尝试（pass@1），每题限时 10 到 45 分钟。Opus 5.5 和 GPT-6 Astra 都解出全部 55 题，并各在 11 题上刷新前沿点；Opus 5.5 找到 72 个新前沿点，GPT-6 Astra 为 32 个，但 GPT-6 Astra 的纪录接近度更高（78.0 对 77.2），两者差距的 95% 置信区间包含零。Gemini 4 Argon 解出 54 题、8 个新前沿点。解题与优化是两种不同能力：Gemini 3.8 F…
推荐理由看 16 个模型在同一游戏里的解题与优化能力排名，以及 pass@1 加前沿点这套评测方法怎么设计。