新基准 Taste-Bench 衡量 AI 智能体的长期决策品味

研究团队提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的判断力，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出现时，所有模型平均准确率降至 21%。团队还将教师模型判断蒸馏到 Qwen3.6-27B，在 41 个 SWE-bench Pro 任务上把成功率从 14.6% 提升到 33.7%。