前沿模型的「品味」只有 59.7%，而且多想一会儿也没用

有个词所有人都拿来说 agent，却没人度量：品味。就是在一个长任务的岔路口，判断这条路比那条好的那种感觉。微软的 Wenbo Pan 和八位合作者终于给它上了个数字，这个数字是 59.7%。

Taste-Bench 从 agent 的轨迹里自动挖出决策岔口，不需要人工标注。两种挖法：比对同一任务的并行尝试中出现分叉的地方，以及在单条轨迹里找出 agent 走了一段又折回来的绕路。每个岔口变成一道题，有多个方向，只有一个通向更好的结果。因为结果是事后已知的，标准答案白送。

前沿模型拿 59.7%。在"下一步往哪走"的多选题上。这是标题数字，而且比听起来更难看，因为这些岔口是真实 agent 在真实任务里真的走到的，不是对抗性构造出来的。

底下两个发现比分数本身更重要。第一，那些支撑证据要到轨迹后面才出现的决策，对所有被测模型都明显更难——agent 必须在能证明这个选择合理的信息出现之前就做出选择，而这恰恰是长周期工作的定义性条件，也显然是模型最不擅长的条件。第二个值得坐下来想想：增加推理预算并不提升表现。你没法靠想把品味想出来。在岔口上多烧 token，买不到任何东西。

建设性的那一半是品味可以靠蒸馏来训。一个能看到结果的教师模型去评判这些岔口；用这些判断训出来的学生模型在没见过的任务上变好，而且关键是，在留出的 SWE-bench Pro 上端到端成功率也提升了。信号跑出了基准之外，而这正是大多数基准论文悄悄没通过的那道测试。

值得带走的框架是：长 agent 运行里很多被归咎于模型能力的问题，实际上是三四个特定时刻上的决策质量失败，而扩大推理时计算恰恰是治不了它的那种干预。33 页，9 月 22 日提交，代码和数据集均已放出。

https://arxiv.org/abs/2609.25804