The Decoder· Jonathan Kemper·· 4 小时前AI 评分59
Taste-Bench评测智能体长期决策能力
AI agents have bad taste in long-term decisions and a new benchmark proves it
AI 导读
研究团队提出 Taste-Bench，用 502 个决策岔口评测智能体能否在后续证据出现前选择更好的路径。Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 系列中的 14 个模型参与测试，最佳模型 GPT-5.6 Sol 平均准确率为 59.7%，GPT-5.5 为 59.5%。
来源：The Decoder · the-decoder.com