Taste-Bench 基准评估智能体长程决策

研究团队（Pan et al.）发布 Taste-Bench 基准，用 502 个二选一决策分叉题评估 AI 智能体在长期任务中选择更优路径的能力，并称这种决策"品味"可以训练。结果显示长程决策仍是弱项：14 个受测模型中最佳的 GPT-5.6 Sol 平均准确率仅 59.7%，GPT-5.5 以 59.5% 紧随其后。 基准数据来自数千次在编程与 AI 研究任务（含 SWE-bench Pro 和 METR 公开轨迹集 MALT）上的打分智能体运行记录，每个问题包含原任务、分叉前轨迹和两个可选方向，自动生成的标签经人工复核确认几乎全部正确。团队还展示了可训练性：在 41 个保留的 SWE-bench Pro 任务上，成功率从 14.6% 提升到 33.7%。

AI 根据报道生成 · 3 小时前更新