Taste‑Bench基准发布：AI代理品味测试显著差距
当前事件综述（非历史快照）
Taste‑Bench基准由The Decoder发布，包含502道题目，评测14种模型。GPT‑5.6 Sol以59.7%最高得分，GPT‑5.5以59.5%紧随其后，其余模型得分远低于25%，低于随机猜测水平。通过Qwen3.6‑27B进行知识蒸馏，学生模型得分从30%提升至47.9%，并使SWE‑bench Pro的成功率从14.6%提升至33.7%。
AI 根据报道生成 · 13 天前更新
事件探索工作台
同一时点联动报道、关系与证据。
此时新增 ·AI 代理在长期决策中缺乏良好品味，新基准证明了这一点
- 本次回放累计
- 1
- 一手资料
- 0
- 报道来源
- 1
此时首次收录的报道 · 1
- The Decoder · 第三方报道AI 代理在长期决策中缺乏良好品味，新基准证明了这一点查看原始来源 ↗
按本站首次发现时间回放。历史图谱与证据使用同一时点；完整综述与热度仍是当前视角。
事件进展
1 条进展2026/10/18 17:50:25
AI 代理在长期决策中缺乏良好品味，新基准证明了这一点The Decoder
按本站首次收录时间筛选；只显示代表报道在此时点前已收录的进展。当前事件归组可能后来修订，不是完整历史快照。
此时的实体关系
正在读取历史关系…
历史重建（非精确快照）：按首次收录与关系记录时间筛选；实体名、关系陈述和事件归组可能已经被后来修订，不能将其当作当时原始记录。 下方综述与完整来源索引仍属于当前视角。
Story 路线
从第一份公开证据到最新进展的逐站路线；每一站都带着自己的证据和不确定性。
- 110月18日 17:50单一来源时间来自报道有修订
Taste-Bench benchmark released
核对原始报道 ↗ The Decoder在探索工作台回到这个时点
不确定性标注指出需要核对原文的地方，不是已证实的因果。
完整来源索引（截至目前）
目前公开的报道索引，不属于历史回放。
一手资料 · 0 篇
目前尚未收录这一类可核实资料，不能把单方说法当作多方证据。
第三方报道 · 1 篇
- The Decoder · 10月18日 16:49AI 代理在长期决策中缺乏良好品味，新基准证明了这一点
Taste‑Bench 共 502 题，评测 14 种模型，GPT‑5.6 Sol 最高 59.7 %，GPT‑5.5 59.5 %，其余模型远低于 25 % 的随机猜测。通过 Qwen3.6‑27B 进行知识蒸馏，学生模型从 30 % 提升至 47.9 %，并使 SWE‑bench Pro 的成功率从 14.6 % 提升至 33.7 %。
核对原始报道 ↗
不同报道并不自动代表观点冲突；阅读原文核对事实、条件和发布日期。后续来源加入后此处会自动更新。
报道时间线
沿着报道，了解事件的不同侧面。
- The DecoderAI 代理在长期决策中缺乏良好品味，新基准证明了这一点
Taste‑Bench 共 502 题，评测 14 种模型，GPT‑5.6 Sol 最高 59.7 %，GPT‑5.5 59.5 %，其余模型远低于 25 % 的随机猜测。通过 Qwen3.6‑27B 进行知识蒸馏，学生模型从 30 % 提升至 47.9 %，并使 SWE‑bench Pro 的成功率从 14.6 % 提升至 33.7 %。