新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足

研究者提出 Taste-Bench，用决策分叉衡量智能体在长期任务中的路径判断力，共 502 道二选一题目。测试 14 个模型，表现最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余模型明显更低；当关键线索只在后续步骤出现时，平均准确率降至 21%。