新基准 Taste-Bench 揭示 AI 智能体缺乏长期决策判断力

研究人员推出 Taste-Bench 基准，通过 502 个执行分叉点评估 AI 智能体在长期决策中的中间步骤判断能力。测试显示当前表现最佳的 GPT-5.6 Sol 二选一准确率仅约 59.7%，且在关键线索未出现的困难节点增加推理 token 预算无法改善表现。