AI 智能体在长期决策中表现不佳，新基准 Taste-Bench 证明了这一点

AI 智能体在长期决策中表现不佳，新基准 Taste-Bench 通过分析智能体运行轨迹中的“决策分叉”验证了这一点。该基准包含 502 道二选一问题，测试模型在未看到后续结果时能否选择更优路径，结果显示 GPT-5.6 Sol 在二选一问题中平均正确率仅 59.7%，远低于随机猜测的 25%。