AI 智能体在长期决策中表现出判断短板，全新评测基准 Taste-Bench 揭示其实际水平

研究人员推出了 Taste-Bench 评测基准，用于衡量 AI 智能体在长周期任务中做出正确长期决策的“品味”与路径选择能力。测试结果显示，在 14 个主流模型中表现最好的 GPT-5.6 Sol 也仅达到 59.7% 的准确率，且当关键线索需要大量后续工作才能显现时，模型表现会跌至随机猜测水平。