Taste-Bench基准：衡量智能体长程决策的“品味”
热点事件持续更新
Taste-Bench基准：衡量智能体长程决策的“品味”
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Pan et al. 发布新基准 Taste-Bench 及配套方法，含 502 道二元选择题，用于评估 AI 智能体在执行长任务时能否在早期步骤中识别更优路径，基准与代码已公开。现有基准只衡量任务是否完成，作者称 Taste-Bench 旨在填补“路径质量”这一缺口，并把这能力称作智能体的“taste”。 测试覆盖 14 个来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 系列模型的智能体。在 Taste-Bench 上，GPT-5.6 Sol 平均准确率 59.7% 为最高，GPT-5.5 紧随其后为 59.5%，其余模型表现均明显更低，接近纯随机猜测的水平。
AI 根据报道生成 · 2 小时前更新
最新进展10月18日 16:49
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%报道时间线
沿着报道，了解事件的不同侧面。
10月18日
- The DecoderTaste-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%
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。
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。