Taste-Bench测出智能体长期决策品味不足
热点事件持续更新
Taste-Bench测出智能体长期决策品味不足
2 篇报道2 个报道来源2 小时前更新
先了解这件事
AI 综述
研究者Pan等人提出并公开Taste-Bench基准，用502道“轨迹分叉二选一”题衡量AI智能体在编码和AI研究等长期任务中的决策品味：每题给出原始任务、分叉前的轨迹和两个可选方向。 测试覆盖Claude、GPT、Grok、DeepSeek、GLM、MiniMax和Mistral家族的14个模型，表现最好的GPT-5.6 Sol正确率仅59.7%，GPT-5.5以59.5%紧随其后，接近该基准随机猜测的25%。基准与代码已公开。
AI 根据报道生成 · 1 小时前更新
最新进展10月18日 16:49
新基准 Taste-Bench 测出 AI 智能体长期决策品味不足报道时间线
沿着报道，了解事件的不同侧面。
10月18日
- The Decoder新基准 Taste-Bench 测出 AI 智能体长期决策品味不足
研究者提出 Taste-Bench，用 502 道轨迹分叉二选一题衡量智能体长期决策的“品味”，表现最好的 GPT-5.6 Sol 仅 59.7%，接近随机猜测的 25%。
- RadarAITaste-Bench 基准揭示 AI 智能体长期决策能力薄弱，最佳模型仅得 59.7%
新基准 Taste-Bench 通过 502 个决策分叉问题测量智能体在编码和 AI 研究任务中的长期决策品味，测试了 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 家族的 14 个模型，最佳模型 GPT-5.6 Sol 仅得 59.7%，GPT-5.5 以 59.5% 紧随其后。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。