Taste-Bench 揭示 AI 智能体在长期决策中缺乏“品味”

新发布的 Taste-Bench 基准测试通过回溯智能体运行轨迹中的“决策分叉点”，评估模型在长期规划中的“品味”。测试显示，GPT-5.6 Sol 以 59.7% 的准确率勉强超越随机猜测，且随着关键线索出现时间的推迟，模型表现急剧下降。研究还证明，通过蒸馏教师模型判断力，可将智能体在 SWE-bench Pro 上的成功率从 14.6% 提升至 33.7%。