新基准 Taste-Bench 测出 AI 智能体长期决策判断力不足

研究者提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的选择质量，最佳模型 GPT-5.6 Sol 仅得 59.7%，接近二选一的随机水平。当关键线索只在后续步骤才显现时，各模型平均准确率降至 21%。团队还将教师模型判断蒸馏进 Qwen3.6-27B，在 41 个 SWE-bench Pro 任务上把成功率从 14.6% 提升到 33.7%，基准与代码已公开。