新基准 Taste-Bench 测试 AI 智能体的长期决策品味

研究者提出 Taste-Bench，用 502 道二选一题目衡量智能体在决策分叉点选择更优路径的能力，最佳模型 GPT-5.6 Sol 仅得 59.7%，接近随机猜测。当关键线索只在后续轨迹中出现时，所有模型平均准确率降至 21%。团队还用 Qwen3.6-27B 蒸馏教师模型判断，使学生在 41 个 SWE-bench Pro 任务上的成功率从 14.6% 提升到 33.7%。