镜面导航评测

AI 能走出镜面迷宫吗？

理想轨迹是零撞墙通关。有一条记录撞墙 33,607 次，仍在规划预算耗尽时停在迷宫里。

试玩 ↗GitHub 源码 ↗逐步回放观看 8 段逐关视频

视觉与纯文本对照 · 2026 年 11 月

评测任务

在镜面世界里执行三个动作

反射可能看起来像一条通道，也可能复制绿色目标。智能体需要走进真实目标格。一次规划可以提交多个动作，序列合法时，撞墙后还会继续执行后续动作。

↶左转旋转一个朝向

↑前进尝试进入相邻格

↷右转旋转一个朝向

正方形每次转 90°，六边形每次转 60°。视觉协议返回每个动作后的第一视角画面和执行反馈。纯文本协议在试玩过程中只返回按顺序排列的动作结果。智能体看不到审阅地图。

难度	正方形	六边形	规划轮数上限
简单	边长 7 · 49 格	边长 5 · 61 格	200
中等	边长 11 · 121 格	边长 7 · 127 格	400
困难	边长 15 · 225 格	边长 9 · 217 格	800

每种形状和难度各使用两张固定地图，种子为 MIRROR-042 和 MIRROR-043。视觉观测为 1280 × 720，最多 10 次反射。原评测优先比较规划轮数，分析同时报告基础动作、实际撞墙和覆盖率。

视觉实验

视觉组的已完成结果

GPT-6.1 Sol + Codex 通过了全部四张简单图和两张困难正方形图。下表分母只包括可计分的结果。

53可计分视觉试验

4Flash 困难档未评测

2API 试验暂停

视觉组共安排 64 题，另有 4 题按规则跳过、1 题撤回。Sol 的 4 条中等难度成功记录保留原始预算 500、500、200、200 轮，实际均在当前目标 400 轮以内完成。

模型	原生客户端	简单	中等	困难

绿色为通关，灰色为达到规划上限，琥珀色为接入中断。点击可回放的圆点查看轨迹。

主要发现

通关率只讲了一半

只看规划轮数，纯文本组通过更多。限制撞墙次数后，视觉组通过更多。动作轨迹、撞墙和覆盖率揭示了两组如何得到这些结果。

换一个预算，结果就会反转

32 组公开配对的地图、起始格、朝向和目标相同。13 对两组都通过，10 对只有纯文本通过，9 对两组都达到规划上限。

模型	视觉	纯文本
GPT-6.1 Sol	8/8	8/8
Gemini 3.8 Flash	3/8	7/8
DeepSeek V4.1 Flash	1/8	5/8
Kimi K3.1 Pro	1/8	3/8
合计	13/32	23/32

通关条件	视觉	纯文本
原规划轮数上限	13/32	23/32
最多撞墙 20 次	8/32	0/32
最多撞墙 50 次	11/32	2/32
最多执行 800 个动作	11/32	9/32
最多执行 1,600 个动作	13/32	15/32

额外预算是对已有轨迹的事后筛选，带着新预算重跑可能得到不同策略。部分配对的 DeepSeek 模型来源、AGY 版本和提示，以及 Sol 四条历史轨迹的声明预算存在差异。这是对两套完整系统的比较。

交互式调整预算 ↗ · 查看纯文本轨迹 ↗

动作成本与撞墙行为

一轮规划可以包含大量试探

Gemini 3.8 Flash 在 Easy Square MIRROR-042 纯文本组用 9 轮、撞墙 268 次通关，视觉组为 116 轮、撞墙 40 次。Sol 两组均通关 8/8。在 Easy Hex MIRROR-042 上，视觉组用 315 个动作、零撞墙通关，纯文本组用了 8,846 个动作并撞墙 3,823 次。跨八张图，Sol 的撞墙中位数由纯文本的 889.5 次降至视觉的 12 次。

重撞发生在什么时候很重要

对模型自行选择试探的格子与朝向，Sol 的首次尝试撞墙率在视觉组为 9.1%，纯文本组为 56.7%。Gemini 分别为 28.8% 和 54.1%。两组自行选择了不同的试探位置。

如果撞墙后同批还有动作，下一动作立即重撞同一面墙的比例在纯文本组为 31.6%，视觉组为 21.8%。如果撞墙在一轮末尾，模型收到反馈后下一轮的首次前进重撞同一面的比例分别为 1.2% 和 4.5%。视觉组的 96 次重撞中有 94 次来自 DeepSeek。

当模型至少 21 轮后回到曾撞过的同一格、同一朝向时，纯文本组有 39.9% 的新计划以再次撞墙开始，视觉组为 3.9%。两组回访的位置和时机不同，记忆差异仍需要对照实验。

覆盖率揭示停滞与重复探索

Sol 在 Hard Hex MIRROR-043 上只撞墙 2 次，但最后 581 轮没找到新格子。DeepSeek 在 Medium Hex MIRROR-043 执行了 111,088 个动作、实际撞墙 33,607 次，仍只访问了 127 格中的 69 格。

重复图像是待验证的解释

DeepSeek 的视觉轨迹约有 4.9 万条图像投递记录，其中约 97% 重复，还有 744 轮裁剪了图像。重复走路会产生冗余画面。画面冗余是否进一步妨碍规划，需要控制图像历史后验证。

只靠撞墙反馈也能走出原始迷宫

固定沿墙策略只依靠前进成功或撞墙的反馈，就在原预算内通过 8/8 张无环地图。原始起点均朝向唯一开口。枚举所有初始朝向后，达标数为 36/40。完全不利用反馈的随机转向和前进基线，在 800 个动作内只通关 23/4,096。

每张地图增加 12 条通道后，固定沿墙策略在预算内的通过率降到 55.2%。记录相对位置的深度优先搜索仍为 98.0%。假定能完美识别局部墙面，原地图另有 31–153 次通道决策、零撞墙的算法参考线。

在 16 组同位置、同朝向的镜面和哑光画面对照中，部分封闭方向只在镜面图里出现了目标反光。模型试跑没有得到完整的成对判定，因此仍无法估计镜面增加了多少误判。

六边形的难度差距取决于协议

简单视觉组正方形通过 6/8，六边形通过 2/8。简单纯文本组两种形状都是 7/8。Sol 的困难视觉组通过两张正方形图，两张六边形图都达到上限，尽管两者格数分别为 225 和 217。转角、连通结构、渲染和具体地图都可能影响结果。

交互式回放

逐步查看原始轨迹

用上一步和下一步逐个查看基础动作、规划轮次或原始画面采样。可筛选下方的记录列表。视觉回放保留简单和中等难度轨迹，以及 Sol 的困难档轨迹。

原生客户端也会改变结果

下表比较每个模型在同样四张简单视觉地图上的表现。Sol 在 Codex 下通过更多，DeepSeek 在直接 API 下通过更多，Kimi 的通过数相同。

模型	原生客户端	直接 API
GPT-6.1 Sol	4/4 · Codex	1/4
DeepSeek V4.1 Flash	1/4 · Claude Code	2/4
Kimi K3.1 Pro	1/4 · Claude Code	1/4

Sol 的三条失败 API 轨迹中，970 次撞墙有 868 次集中在最后一次规划。之前的轨迹常见反复转向或覆盖率停滞。提示、对话管理和推理状态保留都随系统而异。Gemini 的 API 对照和原生 Flash 使用不同模型。

中断的试验怎样计分

Flash 的四条困难档试验因上游额度通知中断，标记为未评测。两条 Gemini 4 Argon 简单档 API 试验仍暂停。这些试验、四条按规则跳过的试验和一条撤回记录均不计入已测分母。

查看与复现实验

可以下载成绩，观看 8 段逐关对比视频，或直接在浏览器试玩。公开回放包含动作和位置数据，实际撞墙与无效计划的惩罚分开统计。

公开仓库提供迷宫环境、Python 接口、评测工具和示例配置。

GitHub 源码 ↗安装与运行 ↗试玩 ↗视觉成绩 CSV ↓纯文本结果 JSON ↓8 段逐关视频 ↗

引用项目 · BibTeX

@misc{kenny2026mirrormaze,
  author = {kenny},
  title  = {{Mirror Maze}: A Benchmark for Reflective Navigation},
  year   = {2026},
  url    = {https://kennymckormick.github.io/blog/mirror-maze/}
}