事件记录历史事件
Taste-Bench基准测试发布
1 篇报道1 个报道来源8 天前更新
先了解这件事
报道摘要
研究人员推出名为Taste-Bench的新基准测试，评估AI代理在长期任务中的战略决策能力。测试显示，即使是最佳模型GPT-5.6 Sol在简单二元问题上的正确率也仅为60%左右，且延长思考时间无法提升表现。
摘自 The Decoder
报道时间线
沿着报道，了解事件的不同侧面。
10月18日
- The Decoder精选AI代理长期决策能力不足，新基准测试揭示问题
研究人员推出名为Taste-Bench的新基准测试，评估AI代理在长期任务中的战略决策能力。测试显示，即使是最佳模型GPT-5.6 Sol在简单二元问题上的正确率也仅为60%左右，且延长思考时间无法提升表现。