研究表明 AI 智能体在长期决策中缺乏“品味”，新基准 Taste-Bench 评估规划能力

研究人员推出 Taste-Bench 基准测试，用于评估 AI 智能体在长期任务中每一步决策的质量即“品味”。测试结果显示，顶级模型 GPT-5.6 Sol 的平均准确率也仅为 59.7%，且当关键线索隐藏在后续步骤时模型表现显著下降。研究还表明通过蒸馏教师模型的判断能有效提升学生模型的能力，使智能体在 SWE-bench Pro 任务上的成功率从 14.6% 提升至 33.7%。