Taste-Bench评估AI智能体的长期决策判断能力

研究团队推出Taste-Bench，通过让模型在看到后续轨迹前选择更优路径，评估AI智能体的长期决策“品味”。该基准包含502道二选一问题，来自编码和AI研究任务中的智能体运行轨迹；测试的14个模型最高平均准确率为59.7%。基于Qwen3.6-27B蒸馏的判断模型在未见任务上的准确率由30%升至47.9%，并在41个留出的SWE-bench Pro任务中将成功率从14.6%提高到33.7%。