The Decoder· Jonathan Kemper·· 4 小时前AI 评分68
Taste-Bench 基准显示 AI 智能体长程决策判断力仍不足
AI agents have bad taste in long-term decisions and a new benchmark proves it
AI 导读
新基准 Taste-Bench 用决策分叉衡量智能体的长期选择质量，本次评测中表现最好的 GPT-5.6 Sol 在二分判断题上也只有 59.7% 的准确率。当关键线索只有在后续大量执行后才出现时，平均准确率降至 21%，接近随机猜测，增加推理预算也没有改善。
来源：The Decoder · the-decoder.com