新基准测试证明：AI 智能体在长期决策上“品味”很差

一项新基准 Taste-Bench 衡量 AI 智能体能否做出好的长期决策，它包含 502 道由真实智能体运行（编程与 AI 研究任务）构建的“决策分叉”问题。在测试的 14 个模型中，表现最好的 GPT-5.6 Sol 也只有 59.7% 的准确率；当决定性证据只在轨迹后期出现时，准确率降至约 21%。研究者还证明这种判断力可以训练：将其蒸馏进 Qwen3.6-27B 后，在留出的 SWE-bench Pro 任务上成功率从 14.6% 提升到 33.7%。

• The Decoder2026-10-18 08:49