研究者发布Taste-Bench基准，测出智能体长期决策短板

研究者Pan等人发布智能体长期决策基准Taste-Bench，用502道决策分叉题考察智能体在长期任务中挑选更优路径的能力。结果显示，表现最好的GPT-5.6 Sol准确率仅59.7%，接近二选一猜测水平。 每道题包含原始任务、到分叉点为止的轨迹和两个可选方向。据研究者称，该基准及代码已公开。

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。