AI-агенты плохо выбирают в долгосрочных решениях, и новый бенчмарк это доказывает
Новый бенчмарк под названием Taste-Bench проверяет, насколько хорошо AI-агенты принимают стратегические решения в длительных задачах. Даже лучшая модель GPT-5.6 Sol выбирает правильный путь менее чем в 60 процентах простых бинарных вопросов. Дольше думать не помогает. Статья AI-агенты имеют плохой...
Кратко от AI: Главные тезисы
- Новый бенчмарк под названием Taste-Bench проверяет, насколько хорошо AI-агенты принимают стратегические решения в длительных задачах
- Даже лучшая модель GPT-5.6 Sol выбирает правильный путь менее чем в 60 процентах простых бинарных вопросов
- Дольше думать не помогает
AI-агенты плохо выбирают в долгосрочных решениях, и новый бенчмарк это доказывает
Похожие материалы
ИИ только что сделал ОГРОМНЫЙ скачок на пути к тому, чтобы стать человеком
Компания Джека Дорси Block только что выпустила искусственный голос, который невозможно отличить от реального человека. Это называется Деса. Он смеется в середине вашего предложения, как это сделал бы друг. Там написано: «Да, и я понял, пока ты еще говоришь». Он делает паузу. Оно спотыкается. Это…
Научная статья слишком длинная, поэтому хочется просто попросить ИИ её пересказать. Но есть опасение, что он пропусти...
Научная статья слишком длинная, поэтому хочется просто попросить ИИ её пересказать. Но есть опасение, что он пропустит важные математические выкладки и условия. А если понадобится вернуться к оригиналу, придётся заново искать нужный раздел. Разработчики TextFold создали довольно…
Популярные носимые устройства с ИИ, которые стоит знать
Обзор популярных носимых устройств с ИИ, включая Bee, Friend и Limitless.
Paragon: недельный дайджест
Paragon: недельный дайджест Наши разборы и материалы: 🟠5 причин, которые мешают зарабатывать с ИИ 🟠ElevenLabs: что доступно бесплатно, кроме озвучки 🟠$300 за обложку YouTube: план старта за 5 дней 🟠Poe: собираем своего ИИ из Claude, GPT и Gemini 🟠11 ИИ-сервисов, на которых…