The Decoder· Jonathan Kemper·· 2 小时前AI 评分58
Taste-Bench 研究发现 AI 智能体难以判断长程决策优劣
AI agents have bad taste in long-term decisions and a new benchmark proves it
AI 导读
研究团队提出 Taste-Bench，用于评估 AI 智能体在长程任务中选择较优决策路径的能力。基准包含 502 道问题，测试的模型中 GPT-5.6 Sol 得分最高，为 59.7%；当关键证据只在后续轨迹中出现时，模型平均准确率降至 21%。
来源：The Decoder · the-decoder.com