新基准 Taste-Bench 显示 AI 智能体长期决策能力不足
研究人员推出 Taste-Bench 基准，旨在评估 AI 智能体在长期任务中的决策“品味”，即选择高质量实施路径而非仅关注最终结果的能力。该基准包含 502 个问题，利用历史运行轨迹中的“决策分叉点”让模型判断哪条路径更优。
#评测/基准
The DecoderAI 评分6262
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 ReviewBench，这是一个用于评估 AI 代码审查智能体的开放基准。该基准基于对 GitHub 上 1.039 亿个真实 Pull Request 的分析构建，包含覆盖 19 种语言的 219 个代表性 PR。
推荐理由：GitHub 开源了基于亿级真实 PR 分布构建的代码审查基准 ReviewBench，提供了可复现的离线评估方法以辅助模型迭代。