# Taste-Bench, yapay zekâ ajanlarının uzun vadeli seçimlerde zorlandığını gösteriyor

> 502 soruluk kıyaslama testi, sonuç ortaya çıkmadan önce yapay zekânın daha iyi yolu seçip seçemediğini ölçüyor. Test edilen en başarılı model 59,7 puan aldı.

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

Araştırmacılar, yapay zekâ modellerinin bir kodlama ya da araştırma görevi sırasında, sonraki adımlar sonucu ortaya çıkarmadan önce daha iyi yönü seçip seçemediğini ölçen 502 soruluk Taste-Bench’i tanıttı. 14 modelin test edildiği değerlendirmede en yüksek puanı %59,7 ile GPT-5.6 Sol aldı; sorular yalnızca model her iki yanıt sıralamasında da doğru seçim yaptığında doğru sayıldı.

İpucunun baştan görülebildiği durumlarda doğruluk ortalama %62,3’tü; ipucu ancak çok daha sonra ortaya çıktığında ise bu oran %21’e düştü. Araştırmacılar ayrıca ayrı bir ajana öneriler vermesi için Qwen3.6-27B modelini eğitti: SWE-bench Pro’dan ayrılan 41 görevde başarı oranı %14,6’dan %33,7’ye yükseldi. Ekip, kıyaslama testinin ve kodun herkese açık olduğunu belirtiyor.

## Gerçekler

- Taste-Bench, ajanların karar verdiği noktalardan oluşturulmuş 502 soru içeriyor.
- Eğitilmiş Qwen3.6-27B’nin önerileriyle, SWE-bench Pro’dan ayrılan 41 problemde başarı oranı %14,6’dan %33,7’ye yükseldi.

## Neden önemli

Kodlama ajanları kullanan ekipler için sonuçlar, görev sonundaki testleri geçmenin ajanın sonraki işlere katkı sağlayacak seçimler yapıp yapmadığını göstermeyebileceğine işaret ediyor. Taste-Bench’in gündelik kullanımdaki performansı öngörüp öngöremediği ise henüz bilinmiyor.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-18