新基准 Taste-Bench 用决策分叉评测 AI 智能体的长期决策品味

研究者提出 Taste-Bench，用 502 道二选一题测智能体在长期任务中的决策质量，最佳模型 GPT-5.6 Sol 准确率仅 59.7%，接近抛硬币。该基准从 SWE-bench Pro 和 METR 的 MALT 等数千条带评分 agent 轨迹中提取决策分叉，冻结后续步骤让模型选方向；当关键线索只在大量后续工作后才出现时，平均准确率跌至 21%。