新基准 Taste-Bench 揭示 AI 智能体在长期决策上缺乏品味

论文发布 Taste-Bench 评测智能体的长期判断力，它用 502 个代码与研究任务的轨迹分叉点让模型选更优路径。测试 14 个主流模型后，最高分 GPT-5.6 Sol 仅 59.7%，证据出现越晚得分越低，增加推理预算也无效。将教师判断蒸馏进 Qwen3.6-27B 后，该学生在 SWE-bench Pro 上指导智能体把成功率从 14.6% 提升到 33.7%。