Taste-Bench基准评估智能体长期决策品味

2026年10月18日，The Decoder报道，研究团队Pan等人提出并发布Taste-Bench基准，用于衡量AI智能体在长期任务中做出更优选择的能力。该基准包含502道决策分叉题，每题给出原始任务、截至分叉点的轨迹以及两个可能的方向。报道称，在该基准上表现最好的GPT-5.6 Sol准确率为59.7%，其余模型明显落后，显示AI智能体长期决策能力不足。报道还称，该基准与代码已公开可用。目前事件进展限于基准发布与首轮评测结果，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。