The Decoder· Jonathan Kemper·· 3 小时前AI 评分43
Taste-Bench 基准显示 AI 智能体在长期决策上"品味"欠佳，最佳模型准确率仅 59.7%
AI agents have bad taste in long-term decisions and a new benchmark proves it
AI 导读
Taste-Bench 是一个含 502 道二元选择题的新基准，用于评估 AI 智能体在执行长任务时是否能在早期步骤中识别出更好的路径。在 14 个 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 系列模型的测试中，表现最好的 GPT-5.6 Sol 平均准确率仅 59.7%，其余模型均远低于此，接近随机猜测。
来源：The Decoder · the-decoder.com