Taste-Bench 评测：最强模型长程决策正确率不足 60%
The Decoder · rss · 2026-10-18
The Decoder 报道了新基准 Taste-Bench,测试 AI agent 在长时程任务中做战略选择(「品味」)的能力。
- 即使最强的 GPT-5.6 Sol,在简单的二选一问题上正确率也仅略低于 60%。
- 延长思考时间并未带来改善，说明长程战略判断是当前模型的普遍短板。
「研究」频道最新
- 用注意力模式检测语音 AI 幻觉：免标注方法在 Qwen-2-Audio 等模型上验证 — burkov · 2026-10-18
- 少年用 AI+Lean 一周解决数学团队多年难题，写出 15 页论文 — IgorCarron · 2026-10-18
- Qwen3-4B+工具+SFT 追平万亿参数模型,诊断基准实测 — Tim_Dettmers · 2026-10-18
- 自动化实验让选题更关键:递归自我改进可能一直在验证错误前提 — Gauri_the_great · 2026-10-18
- Papers with Code 推出 Following 订阅流,可追踪任务、基准与作者动态 — NielsRogge · 2026-10-18
- 计算机科学家 Moritz Hardt:AI 基准测试已根本性失灵 — asusarla · 2026-10-18