研究者 Pan 等人发布 Taste-Bench，用 502 道决策分叉题衡量 AI 智能体在长期任务中的判断力。每道题给出原始任务、走到分叉点的轨迹和两个可选方向，考察智能体能否选对后续路径。 结果显示现有智能体判断力不足：表现最好的 GPT-5.6 Sol 平均准确率仅 59.7%，接近二选一的随机水平。
AI 根据报道生成 · 2 小时前更新
沿着报道，了解事件的不同侧面。
研究者提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的判断力，最佳模型 GPT-5.6 Sol 平均准确率仅 59.7%，接近二选一的随机水平。
还没有足够的连续观测数据，暂不绘制趋势。