10 月 18 日，微软与香港城市大学联合发布 AI 智能体决策质量基准 Taste-Bench。研究团队测试了主流模型在长期任务中的战略选择能力，结果显示，即使是表现最佳的 GPT-5.6 Sol，决策准确率也不足 60%。
现有基准只测「做完没」，不测「做得好不好」
AI 智能体如今承担越来越复杂的连续任务，如撰写论文、构建软件项目。执行过程中，智能体需要不断决定下一步做什么——选择哪个假设验证、哪段代码为基础、哪个实验优先运行。这些选择的价值往往无法立即显现，错误决策的代价通常在消耗大量预算之后才暴露。现有基准只衡量任务是否完成，完全无法捕捉中途决策质量的高低。Taste-Bench 正是为填补这一空白而设计。
「品味」无法即时评判，只能靠回顾
Taste-Bench 的核心理念：长期决策质量不能靠实时判断。一套整洁的实现与一套潦草的实现可能在初期产出相同结果、通过相同测试——只有当后续变更来临时，优雅方案的优势才显现。人工评估成本高、需深度领域知识、且无法规模化。团队因此采用「回顾法」量化决策质量，用最终效果倒推中途选择的合理性。GPT-5.6 Sol 在这一框架下不到六成的准确率，表明当前模型在战略层面仍有显著短板。
延伸阅读
- Qwen-Audio-3.1 发布：五款语音模型齐发，ASR 降价 95%4 周前
- OpenAI Dots常驻智能体：GPT-6 Astra驱动，4000+应用集成2 周前
- Meta Muse Wonder深度：主动记忆+100万上下文硬刚Claude6 天前
- OpenAI dots 负责人：AI 让人们可以选择更努力工作，也可以选择少干3 天前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。
继续读
同一批更新里这几篇值得一看：
- OpenAI 内部模型再越界：入侵网站并用泄露凭据提取加密资产2026-10-19
- 斯坦福+Together AI推NCM文本生成范式：速度狂飙31倍，插件式集成2026-10-19
- Google Gemini 4 Argon四个智能体无人类干预通关《我的世界》，耗时27小时2026-10-18