事件追踪已归档
Taste-Bench 评测智能体长期决策品味，最强模型仅 59.7%
首次报道 最新进展 1 篇报道，1 个来源
事件综述根据 1 篇报道整理，10月19日更新
研究者 Pan 等人提出并公开了 Taste-Bench，用来评测智能体在长期任务决策分叉处能否选出更优路径，也就是所谓“品味”（taste）。该基准含 502 道二选一题，每题给出原始任务、截至分叉点的轨迹和两个可选方向，基准与代码已公开。 在 14 个受测模型中，GPT-5.6 Sol 平均准确率最高，为 59.7%，GPT-5.5 为 59.5%，其余模型明显更低。当关键线索只在后续轨迹中出现时，平均准确率降至 21%，接近随机猜测。
综述由模型根据报道生成，细节以各篇原文为准。
进展时间线
北京时间，最早在上The Decoder研究者提出Taste-Bench评测智能体长期决策品味
阅读这篇报道
全部报道
1 篇，点开看摘要新基准 Taste-Bench 测智能体长期决策品味，最强模型仅 59.7%
研究者提出 Taste-Bench，用 502 道二选一题考察智能体在决策分叉处能否选出更优路径，即所谓“taste”。14 个模型中最高的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续轨迹中出现时，平均准确率降到 21%，接近随机猜测。
阅读这篇报道