大语言模型智能体越来越多地做长程任务。中途选哪条假设、接哪份实现，往往决定整次运行成败。作者把这种做好长期决策的能力称为智能体的品味（taste），认为它正成为工程与科研智能体的关键能力。现有基准只看端到端成败，并不测品味。他们因此构建了 Taste-Bench。
从轨迹里自动挖分叉
Taste-Bench 的题目来自智能体在工程与科研任务中的轨迹，自动构造、无需人工标注。每道题是一个决策分叉：轨迹走到某一点，多个方向可选，其中一条通向更好结果；被测模型看不到分叉之后发生的事，只能从中选择。分叉来自同一任务的并行尝试，以及单条轨迹内部的绕路。
最好也只有 59.7%，加推理预算无效
作者评估了前沿模型，最好的模型只答对 59.7%。决定性证据出现得更晚的分叉，对每个模型都更难。加大推理预算并不能提高正确率。也就是说，模型在尚未看到后果时选方向，正确率刚过半，而且多想一会儿补不回来。
品味可训练，细节被摘要截断
作者表明品味可以训练：蒸馏教师的判断，而该教师见过后续信息。摘要在此截断，提升幅度、数据与是否泛化均未知，只能记到「可训练」这一主张。
我的判断
价值在于把长期决策从端到端成功率里拆开，并用自动分叉做成可评测题，针对工程与科研智能体。适用边界窄：只衡量分叉上的方向选择，不覆盖工具使用或最终交付。「更好结果」依赖事后轨迹对比，标签受并行尝试覆盖范围限制；题目规模与领域分布摘要未给，59.7% 只是点估计。蒸馏结果被截断，不能写成已经训好。更大推理预算无效，说明品味更接近对未观测后果的先验。仅凭当前材料，它是一个有针对性的新基准，还不是已解决问题的方法。