新基准 Taste-Bench 评估 AI 智能体长期决策能力，顶级模型准确率不足 60%

研究人员推出全新基准 Taste-Bench，通过冻结智能体运行轨迹中的决策分叉点，评估模型在面对二选一路径时的长期决策品味。评测涵盖 14 款主流模型共 502 道题目，表现最好的 GPT-5.6 Sol 与 GPT-5.5 准确率仅为 59.7% 和 59.5%，且增加推理思考预算并不能改善线索后置难题。