新基准 Taste-Bench 显示 AI 智能体长期决策能力接近随机

研究者提出 Taste-Bench 基准，利用智能体运行轨迹中的决策分叉衡量长期决策质量。该基准含 502 道二选一题，14 个模型参测，最好的 GPT-5.6 Sol 平均正确率仅 59.7%，当关键线索只在后续工作中才出现时准确率降至 21%。研究者还将教师模型判断蒸馏进 Qwen3.6-27B，使 41 个 SWE-bench Pro 任务的成功率从 14.6% 提升到 33.7%。