新基准 Taste-Bench 衡量 AI agent 长期决策能力
热点事件持续更新
新基准 Taste-Bench 衡量 AI agent 长期决策能力
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
研究者推出 Taste-Bench 基准，用 502 道决策分叉问题衡量 AI 智能体长期决策的质量，而非仅看任务是否完成。 该基准测试了 Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 等 14 个模型。最佳模型 GPT-5.6 Sol 平均得分仅 59.7%，接近抛硬币水平。研究者称，这表明当前 AI 智能体在长期决策上的品味糟糕。
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 揭示 AI 智能体在长期决策上品味糟糕报道时间线
沿着报道，了解事件的不同侧面。
10月18日
- The DecoderTaste-Bench 揭示 AI 智能体在长期决策上品味糟糕
论文推出 Taste-Bench 基准，用 502 道决策分叉问题衡量智能体长期决策的质量而非仅看任务是否完成。测试 Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 等 14 个模型，最佳模型 GPT-5.6 Sol 仅平均 59.7%，接近抛硬币。
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。