Taste-Bench 评测显示 AI 智能体长期决策判断能力不足

Taste-Bench 用 502 道决策分叉题评估 AI 智能体的长期判断，受测的 14 个模型中，GPT-5.6 Sol 以 59.7% 的准确率居首。每题须在选项顺序互换前后均答对才计分，随机猜测基线为 25%；当判断依据要到后续大量工作后才出现时，模型平均准确率降至 21%。