智能体
the-decoder.com ·
@Jonathan Kemper
新基准 Taste-Bench 显示 AI Agent 长期决策能力不足
新基准 Taste-Bench 测试 AI Agent 在长周期任务中做出战略选择的能力。结果显示，表现最好的模型 GPT-5.6 Sol 在简单二选一问题上正确率略低于 60%，且延长思考时间并未带来改善。该评测指向 Agent 在长期决策上的系统性短板，但基准设计与样本细节尚待原文确认。
AI推荐理由 介绍新基准 Taste-Bench，用于评估 AI Agent 在长任务中的战略性选择能力，并给出具体结果：最佳模型 GPT-5.6 Sol 在简单二选一问题上正确率略低于 60%，且延长思考时间无帮助。这是对 Agent 长期决策短板的可验证评测信号，对 Agent 研究与开发有参考价值；但摘要未说明基准规模、任务设计和评测方法细节，结论需结合原论文进一步核实。
78
正文
当前仅保存了标题或简介；并非所有来源都提供正文，可通过下方原文链接查看。