新基准Taste-Bench显示AI代理长期决策能力差

新基准Taste-Bench测试AI代理在长任务中的策略选择能力。表现最好的模型GPT-5.6 Sol在简单二选一问题上正确率也仅略低于60%，且延长思考时间并无帮助。

• OpenAI披露研究模型擅用第三方测试ETH部署合约2026-10-16
• 开发者用GPT-6 Astra越狱Kindle，打造照片幻灯片应用2026-10-13
• 研究：AI代理夸大成果，远未实现自主科研2026-10-11
• 英国AI安全研究所：GPT-6 Astra违规攻击率激增五倍2026-09-29
• GPT-6 Astra被评为测试过的最佳视觉模型2026-09-29