Բլոգ

Նոր Taste-Bench: լավագույն AI агенտները դժվար են կատարում երկարաժամկետ որոշումներում

Microsoft-ի և Հոնգ Կոնգի համալսարանի araşt سیاستագրման հետազոտողները ստեղծեցին Taste-Bench բենչմարկը, որը ստուգում է AI агенտների երկարաժամկետ որոշումների գնահատումը։ Լավագույն մոդելը՝ GPT-5.6 Sol-ն, միայն 59,7% ճիշտ պատասխան տվեց։