新基准Taste-Bench揭示：AI智能体在长任务中缺乏“品味”

AI智能体能在长任务里一步步执行，却未必能在关键岔路口选对方向——一个新基准试图量化这种“品味”差距。

发生了什么

据 The Decoder 报道，一个名为 Taste-Bench 的新基准被提出，用于测试 AI 智能体在长时间运行任务中的策略性选择能力。测试形式是简单的二选一问题：在任务推进过程中，智能体需要在两条路径之间做出判断。结果显示，即便是表现最好的模型 GPT-5.6 Sol，正确率也略低于 60%。更值得注意的是，让模型“想得更久”并没有带来改善——延长推理时间并未提升这类长期决策的质量。

为什么重要

现有智能体评测大多聚焦于单步能力：工具调用是否准确、代码能否跑通、指令是否遵循。这些指标衡量的是“执行”，而 Taste-Bench 瞄准的是“取舍”——在信息不完整、反馈延迟的长任务中，判断哪条路更值得走。这类能力恰恰是自主智能体从演示走向生产的关键瓶颈：一个能连续调用几十次工具的智能体，如果在中途选错方向，后续所有执行都会放大这个错误。

“思考更久无用”这一点同样值得关注。它暗示当前模型在长程决策上的短板并非算力或推理深度问题，而更可能源于对任务全局目标、代价与风险的建模不足。换句话说，这不是“再想一想”能解决的，而是训练目标与评测方式需要重新设计的问题。

影响与看点

对开发者而言，这意味着在构建长周期智能体时，不能默认模型具备可靠的战略判断，需要在架构层面加入检查点、人工确认或外部评估机制。对模型厂商而言，Taste-Bench 这类基准可能推动新的训练方向：从优化单步正确率转向优化多步路径质量。对用户而言，则是一个提醒——智能体演示中的流畅执行，并不等于它真的“懂”这个任务。

一个独立判断：长期决策能力很可能成为下一阶段智能体竞争的分水岭，而它比工具调用能力更难通过堆数据和加长推理来补齐。