论文导读
斯坦福大学计算机科学系、Food Intelligence Lab、NECTAR、多伦多大学化学工程系等机构提出TasteBench，汇集超过2.1万次人类评价，检验AI预测植物食品与目标食品的口味相似度。同组比较中，最佳模型准确率66.1%，品尝者中位为65.0%。配料、营养和照片可以用于前期排序筛选。
AI没有品尝，预测的是人类评价排序
开发植物肉或无乳奶制品，要反复判断新品与目标动物食品有多相似。人类品尝测试成本高，计算模型如果能先挑出值得测的配方，就可以给研发流程增加一道筛选。
TasteBench不让AI“尝到味道”。食品任务输入配料、营养、照片等信息，目标是预测同类产品在人类相似度评价中的先后关系。数据覆盖215款植物食品、24个类别，形成935对类别内部比较。
另一项任务使用超过1.5万种分子，预测甜、苦、酸、鲜等味觉标签。分子味觉分类与完整食品相似度排序，是两层不同问题，不能因为分子判得准就推断新品一定好吃。
图：食品和分子两层任务、输入特征与评价数据的关系。
先问品尝者之间有多一致
口味标签有主观差异。团队先比较个人评价与其他人的汇总结果，在可比样本中，品尝者中位排序准确率为65.0%。人类之间的一致性较低，说明标签本身不是每个人都认同的唯一答案。
把评测人员分为两组再比较汇总排序，得到82.5%的可靠性参考上限。它用于解释这个数据集上的成绩范围，不是人类感官能力的普遍上限。
产品特征公开时还需要保护品牌身份。论文将待评产品混入更大的食品特征池，降低从公开信息推断某品牌低分的风险，比赛使用去标识数据完成评分。
研发成本图把配方描述、仪器分析和大型人类感官测试分层，说明计算预测适合先在哪一环参与。
图：从配方描述、仪器测量到人类感官测试的成本层级。
同组66.1%，全部935对为68.3%
模型比较包含监督学习、大语言模型和组合方案。把统计排序模型与语言模型判断组合后，在与品尝者相同的配对集合上达到66.1%，比个人中位65.0%高1.1个百分点。
在全部935对类别内比较上，同一最佳方案为68.3%。这两个数字对应不同样本集合，不能拿68.3%直接对照65.0%来夸大超过人的幅度，更不能写成“AI味觉胜过人类”。
分子分类实验中，图神经网络在2254个测试分子上准确率90.4%。但更好的分子编码器并没有稳定提高食品排序，复杂食品中的加工、质构和成分相互作用，不能只靠单分子标签概括。
图：品尝者人数变化时的相似度排序准确率曲线与模型参照。
下一步：把计算筛选放在品尝测试之前
这套基准提供了食品特征、排序评价和可核对的结果，适合比较不同预测方法是否真的节省前期筛选工作。人工品尝仍承担最终确认，模型分数不能替代食用体验。
作者公开仓库包含复核论文结果的预测文件；部分品牌对应信息受访问条件限制。继续增加产品类别、加工与质构特征，并在新产品上验证，是计算筛选走向研发使用的下一步，也需要把数据可取得性与复现层级讲清楚。
参考资料
https://arxiv.org/abs/2610.02599
