新基准 Taste-Bench 显示 AI 智能体长期决策能力不足
研究者提出 Taste-Bench，用智能体运行轨迹中的决策分叉点考察其长期决策质量，共 502 道二选一题。测试的 14 个模型中最好的 GPT-5.6 Sol 平均准确率 59.7%，GPT-5.5 为 59.5%，其余明显更低；当关键线索只在后续步骤才出现时，平均准确率降至 21%。
#评测/基准
The DecoderAI 评分5858
Latent SpaceAI 评分6262 Latent Space 推出新节目 High Taste Testers，并汇总 10 月 15 至 16 日 AI 动态
Latent Space 正在试播新节目 High Taste Testers，把旧金山的午餐闲聊搬上节目，首期从 Dev Day 聊到最新模型与助手，并汇总了 10/15/2026-10/16/2026 的 AI 新闻。
AWS Machine Learning BlogAI 评分5858 AWS 如何用 Amazon Bedrock AgentCore 搭建生产级智能体评测框架
AWS 销售与市场团队基于 Amazon Bedrock AgentCore Evaluations 搭建了覆盖智能体全生命周期的九阶段评测框架，从定义质量标准、CI 回归门禁、CD 质量门到上线后金丝雀监控与漂移检测。
Latent SpaceAI 评分6565 AINews 汇总：Meta 发布 Muse Spark Open，Goodfire 提出模型神经元大多可解读
Meta 发布 Muse Spark Open，这是一个 816B 总参数、42B 激活的 MoE 模型，支持 1M token 上下文和文本、图像、视频、音频输入，权重以自定义 Muse Model License 发布。
Latent Space精选AI 评分8080 AINews 汇总：Gemini 4 Argon 正式可用与 Vals AI 基准讨论
Latent Space 的 AINews 汇总了 Gemini 4 Argon 正式开放使用的情况，覆盖 Gemini API、Gemini 应用、Search 的 AI Mode 和 Antigravity，介绍期 API 价格为每百万输入/输出 token 2/10 美元，缓存输入折扣 95%。
推荐理由：汇总 Gemini 4 Argon 发布后的定价、第三方评测与可靠性反馈，便于横向比较能力与成本。
Microsoft ResearchAI 评分2626 微软研究院播客：AI 评估中的“意外失败”能教会我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的曲折经历，分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。