热点事件持续更新

发布 Taste-Bench 基准：AI 长程决策仍不足

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

Pan et al. 发布 Taste-Bench 基准与代码，该基准用决策分叉衡量 AI 智能体的长期选择质量。评测显示，表现最好的 GPT-5.6 Sol 在二分判断题上准确率仅为 59.7%。当关键线索在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。

AI 根据报道生成 · 2 小时前更新

最新进展10月18日 16:49

沿着报道，了解事件的不同侧面。

10月18日

16:49
The Decoder
Taste-Bench 基准显示 AI 智能体长程决策判断力仍不足
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。

还没有足够的连续观测数据，暂不绘制趋势。