Taste-Bench 新基准：AI 智能体长期决策品味不足，GPT-5.6 Sol 仅 59.7%

研究者提出 Taste-Bench，用 502 道二选一决策题评测 AI 智能体在长期任务中的"品味"，表现最好的 GPT-5.6 Sol 平均准确率仅 59.7%，GPT-5.5 为 59.5%，其余 12 个 Claude、Grok、DeepSeek、GLM、MiniMax、Mistral 模型远低于此。