Taste-Bench评测AI智能体长程决策品味

新近研究发布评测基准 Taste-Bench，关注 AI 智能体在长程决策中的“品味”判断能力。论文构建了 502 道二元选择题，覆盖 14 个来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 等系列的模型，测试它们在 Agent 运行轨迹出现分叉时能否选出更优路径。初步结果显示，这些主流模型在该基准上的判断表现仍接近随机水平，说明当前 AI 智能体在长程决策分叉点的甄别能力有限。该基准为衡量智能体的策略选择质量提供了新的量化工具，后续将关注各模型在该基准上的进一步对比与改进。

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。