The Decoder· Jonathan Kemper·· 5 小时前
Taste-Bench基准证实AI智能体长期决策品味较差
AI agents have bad taste in long-term decisions and a new benchmark proves it
SI 导读
论文提出Taste-Bench基准，评估AI智能体长期决策中的步骤质量，测试14个模型显示最佳GPT-5.6 Sol仅59.7%准确率。基准含502个决策分支问题，以隐藏后续轨迹方式让模型二选一。
SI 评分61
来源：The Decoder · the-decoder.com