Taste-Bench 基准测 AI Agent 长期决策品味

2026年10月18日，The Decoder 报道，研究者发布 Taste-Bench 基准，用于衡量 AI 智能体在长期任务中的决策"品味"。该基准的做法是：在 agent 轨迹的决策分叉点冻结运行，让模型在两条可能的路径中二选一，以此评估其长期决策能力。基准包含 502 道题，数据来源于 SWE-bench Pro 和 METR 的 MALT 等编码与 AI 研究任务。报道称该基准揭示 AI 智能体的长期决策品味不佳。目前尚无关于各模型在该基准上具体得分或后续改进的报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。