实体 Taste-Bench

Taste-Bench

PulseAugur coverage of Taste-Bench — every cluster mentioning Taste-Bench across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_306629 · Oct 18 · 08:49

新基准显示AI代理在长期决策方面表现不佳

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。