Taste-Bench 基准发布：AI 智能体长期决策近随机

研究人员发布 Taste-Bench 基准测试，用于衡量 AI 智能体在长期任务中的决策“品味”。方法是在决策分叉处冻结智能体运行轨迹、让模型二选一，题目共 502 道，数据来自 SWE-bench Pro 和 METR 的 MALT 等数千次智能体运行。 据 The Decoder 报道，测试结果显示 AI 智能体的长期决策能力接近随机水平。作者称，现有基准只衡量智能体是否完成任务，而不评估其过程中的步骤质量，Taste-Bench 意在填补这一空白。该基准及代码已公开。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。