Taste-Bench 揭示 AI 智能体在长期决策上品味糟糕

论文推出 Taste-Bench 基准，用 502 道决策分叉问题衡量智能体长期决策的质量而非仅看任务是否完成。测试 Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 等 14 个模型，最佳模型 GPT-5.6 Sol 仅平均 59.7%，接近抛硬币。