Taste-Bench 基准衡量 AI 智能体的长期决策品味

研究人员提出 Taste-Bench 基准，用 502 个决策分叉问题衡量 AI 智能体在长期任务中的路径选择质量。测试的 14 个模型中，GPT-5.6 Sol 以 59.7% 的准确率最高，但整体接近随机水平；当关键线索只出现在后续轨迹时，平均准确率降至 21%。