The Decoder· Jonathan Kemper·· 3 小时前AI 评分40
Taste-Bench 新基准证明 AI 智能体在长期决策上“品味不佳”
AI agents have bad taste in long-term decisions and a new benchmark proves it
AI 导读
新基准 Taste-Bench 显示 AI 智能体在长期决策任务中表现不佳，最佳模型 GPT-5.6 Sol 在二元选择题上的平均准确率仅为 59.7%。该基准包含 502 个问题，通过“决策分叉点”评估智能体对后续步骤质量的判断能力，而非仅看最终任务完成情况。
来源：The Decoder · the-decoder.com