Taste-Bench 基准揭示 AI 智能体长期决策能力薄弱，最佳模型仅得 59.7%

导读

新基准 Taste-Bench 通过 502 个决策分叉问题测量智能体在编码和 AI 研究任务中的长期决策品味，测试了来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 家族的 14 个模型。