The Decoder· Jonathan Kemper·· 3 小时前AI 评分58
新基准 Taste-Bench 测出 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 502 道二选一决策题衡量智能体在长期任务中的判断力，最佳模型 GPT-5.6 Sol 平均准确率仅 59.7%，GPT-5.5 为 59.5%，其余模型明显更低。
来源：The Decoder · the-decoder.com