Taste-Bench 评测基准：AI 智能体在长期决策中缺乏品味

一项新研究提出了评测基准 Taste-Bench，用于衡量 AI 智能体在长期任务中路径选择的“品味”（即质量）。该基准包含 502 个决策分支问题，显示 14 种当前主流模型中，表现最好的 GPT-5.6 Sol 准确率仅为 59.7%，且随着关键线索出现时间的推迟，模型表现急剧下降。