Taste-Bench 基准显示 AI 智能体在长期决策上品味不佳

研究者发布 Taste-Bench 基准，用 502 道基于轨迹决策分叉的二选一问题衡量智能体的长期决策"品味"。14 个模型中最好的 GPT-5.6 Sol 平均仅得 59.7%，当关键线索只在后续工作中出现时准确率跌至 21%。团队将教师模型判断蒸馏进 Qwen3.6-27B 学生模型后，其在 41 个 SWE-bench Pro 任务上的成功率从 14.6% 升至 33.7%。