AI agent có gu xấu trong quyết định dài hạn và benchmark mới chứng minh

Một benchmark mới mang tên Taste-Bench kiểm tra cách AI agent đưa ra lựa chọn chiến lược trong các nhiệm vụ kéo dài. Ngay cả mô hình tốt nhất là GPT-5.6 Sol cũng chỉ chọn đường đúng trên dưới 60% các câu hỏi nhị phân đơn giản. Nghĩ lâu không giúp ích.