TASTE 之事：提升 Agent 基准测试的覆盖率与难度

随着 Agent 能力增强，现有基准测试趋于饱和且构建成本高昂。本文提出 TASTE，一种通过逆向任务构建过程自动生成高难度、广覆盖任务的方法。该方法利用自适应对比 n-gram 模型采样有效工具序列，经聚类筛选与迭代难度演化，构建了$τ^c$-Bench。实验表明，现有模型在新基准上性能显著下降，且新任务使独特工具组合数量翻倍，揭示了过去高分仅反映饱和而非鲁棒性，实现了可扩展的持续评估。