The Decoder· Jonathan Kemper·· 3 小时前AI 评分58
新基准 Taste-Bench 显示 AI 智能体长期决策能力不足
AI agents have bad taste in long-term decisions and a new benchmark proves it
AI 导读
研究者提出 Taste-Bench，用轨迹分叉点考察智能体在长期任务中的决策质量，共 502 道二选一题。测试的 14 个模型中最好的 GPT-5.6 Sol 平均准确率 59.7%，纯猜测为 25%；当关键线索只在后续步骤才出现时，平均准确率降到 21%。
来源：The Decoder · the-decoder.com