Taste-Bench：评估AI长期决策能力的基准测试

Taste-Bench基准测试旨在评估AI在长期决策中的“品味”，通过分析AI在任务执行过程中的决策路径，测试其在决策节点选择正确路径的能力。测试结果显示，即使是顶级模型GPT-5.6 Sol，在二选一决策问题上的准确率也只有约60%。此外，研究人员还发现，通过训练，AI的长期决策能力可以得到提升。