Taste-Bench 基准测试显示 AI 智能体长期决策能力接近抛硬币

Pan 等研究者提出 Taste-Bench，用决策分叉和事后视角衡量 AI 智能体的长期决策质量，共 502 道二选一题目，数据来自 SWE-bench Pro 和 METR 的 MALT 公开转录。