新基准Taste-Bench揭示AI智能体长程战略决策能力短板

AI agents have bad taste in long-term decisions and a new benchmark proves it 研究人员推出旨在测试AI智能体在长周期任务中战略选择能力的基准Taste-Bench。评测结果显示，即便是表现最佳的模型GPT-5.6 Sol，在二元选择任务中的正确率也略低于60%，且延长思考时间并不能有效提升决策表现。