AI エージェントは長期的な意思決定に悪趣味、新しいベンチマークがそれを証明

Taste-Bench と呼ばれる新しいベンチマークは、AI エージェントが長時間実行されるタスク中に戦略的な選択をどの程度適切に行うかをテストします。最高のモデルである GPT-5.6 Sol でさえ、単純な二項質問の 60% 弱で正しい道を選択します。た…

概要は情報提供のみを目的としてまとめられています。全文についてはソース リンクを参照してください。デモのエントリは一例です。