跳到正文
热点事件持续更新

Taste-Bench 基准：智能体长期决策品味不足

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

研究团队提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的路径选择能力。表现最好的 GPT-5.6 Sol 准确率为 59.7%，仅略高于随机猜测；当关键线索要到后续步骤才出现时，各模型平均准确率降至 21%。 团队还将教师模型的判断蒸馏进 Qwen3.6-27B，在 41 个 SWE-bench Pro 任务上把成功率从 14.6% 提升到 33.7%。基准与代码已公开。

AI 根据报道生成 · 3 小时前更新

最新进展10月18日 16:49
新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足

报道时间线

沿着报道，了解事件的不同侧面。

10月18日
  1. The Decoder
    新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足

    研究团队提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的路径选择能力，表现最好的 GPT-5.6 Sol 准确率为 59.7%，仅略高于随机猜测。当关键线索要到后续步骤才出现时，各模型平均准确率降至 21%。团队还将教师模型判断蒸馏进 Qwen3.6-27B，在 41 个 SWE-bench Pro 任务上把成功率从 14.6% 提升到 33.7%，基准与代码已公开。

本事件热度走势

可比范围当前
9
可比范围峰值
1010月18日 18:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。