Taste-Bench 基准测试显示 AI 智能体在长期决策上判断力不佳
AI agents have bad taste in long-term decisions and a new benchmark proves it
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
研究人员发布 Taste-Bench 基准，用智能体轨迹中的决策分叉衡量长期决策的品味，包含 502 道二选一问题。测试 14 个模型中最好的 GPT-5.6 Sol 平均仅得 59.7%，当关键线索要到很晚才出现时准确率跌至 21%，接近随机。
来源：The Decoder · the-decoder.com