RecodeX 重构消息，一项名为Taste-Bench的新基准测试考察AI智能体在长时间任务中做出战略选择的能力。结果显示，表现最好的模型GPT-5.6 Sol在简单二选一问题上的正确率略低于60%。测试还发现，延长思考时间并不能提升其选择质量。