Taste-Bench 基准测试显示 AI 智能体在长期决策中表现不佳

研究人员推出 Taste-Bench 基准，旨在评估 AI 智能体在长期任务中的“品味”，即中间步骤的质量而非仅看最终结果。该基准包含 502 个问题，要求模型在轨迹分叉点预测哪条路径更优，结果显示即使是表现最好的 GPT-5.6 Sol 准确率也仅为 59.7%，接近随机猜测水平。