# Taste-Bench: هوش مصنوعی در انتخاب‌های بلندمدت مشکل دارد

> آزمونی با 502 پرسش می‌سنجد که آیا هوش مصنوعی می‌تواند پیش از روشن‌شدن نتیجه، مسیر بهتر را انتخاب کند. بهترین مدل آزمایش‌شده امتیاز 59.7% گرفت.

Oossa · 2026-10-18 · https://oossa.com/fa/taste-bench-finds-ai-agents-struggle-with-long-term-choices

پژوهشگران Taste-Bench را معرفی کرده‌اند؛ آزمونی با 502 پرسش که می‌سنجد آیا مدل‌های هوش مصنوعی می‌توانند در جریان یک کار برنامه‌نویسی یا پژوهشی، پیش از آنکه مراحل بعدی نتیجه را روشن کنند، مسیر بهتر را انتخاب کنند یا نه. در آزمایش 14 مدل، GPT-5.6 Sol با امتیاز 59.7% بالاترین نتیجه را به دست آورد؛ فقط پاسخ‌هایی در محاسبه لحاظ شدند که مدل در هر دو ترتیبِ ارائه گزینه‌ها، درست انتخاب کرده بود.

میانگین دقت در مواردی که سرنخ از همان ابتدا قابل مشاهده بود 62.3% بود، اما وقتی سرنخ فقط بسیار دیرتر ظاهر می‌شد، به 21% کاهش یافت. پژوهشگران همچنین مدلی از Qwen3.6-27B را آموزش دادند تا به یک عامل دیگر مشاوره دهد: در 41 کارِ کنارگذاشته‌شده از آموزش در SWE-bench Pro، نرخ موفقیت از 14.6% به 33.7% رسید. این گروه می‌گوید بنچمارک و کد آن در دسترس عموم است.

## حقایق

- Taste-Bench شامل 502 پرسش است که از نقاط تصمیم‌گیری عامل‌ها در اجرای کارها تهیه شده‌اند.
- با استفاده از توصیه‌های Qwen3.6-27B آموزش‌دیده، موفقیت در 41 مسئله کنارگذاشته‌شده از آموزش در SWE-bench Pro از 14.6% به 33.7% رسید.

## چرا مهم است

برای تیم‌هایی که از عامل‌های برنامه‌نویسی استفاده می‌کنند، نتایج نشان می‌دهد قبولی در آزمون‌های پایان کار لزوماً به این معنا نیست که عامل تصمیم‌هایی می‌گیرد که به کارهای بعدی کمک کند؛ هنوز مشخص نیست Taste-Bench عملکرد در استفاده‌های روزمره را پیش‌بینی می‌کند یا نه.

## منابع و ارجاع‌ها

1. [AI agents have bad taste in long-term decisions and a new benchmark proves it](https://the-decoder.com/ai-agents-have-bad-taste-in-long-term-decisions-and-a-new-benchmark-proves-it/) – The Decoder, 2026-10-18

آخرین به‌روزرسانی: 2026-10-18