一项名为Taste-Bench的新基准测试显示,当前的AI代理在制定战略性长期决策方面存在困难。即使是像GPT-5.6 Sol这样先进的模型,在这些扩展任务中的简单二元选择上的成功率也低于60%。该基准表明,长时间思考并不一定能提高这些AI代理的决策能力。 AI
影响 凸显了当前AI代理能力的一个重大局限性,表明在战略性和长期决策方面需要取得进展。
排序理由 该集群描述了一个用于评估AI代理能力的新基准。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →