基准tau-squared-bench / τ²-Bench Telecom
τ²-Bench
一个用于评估工具型LLM智能体在现实场景中任务完成能力的基准测试，包含电信等子集，考察智能体在多轮工具调用中的准确率与效率
时间轴 (近 90 天)
10月14日
SkillScaffold在ALFWorld、WebShop、ScienceWorld和τ²-Bench四个基准上进行了评估，并在短程和长程任务上都超越了强智能体RL基线和技能驱动RL基线。
待验证50%
10月5日
论文在τ²-Bench多轮交互评测基准上验证了CUE的效果
待验证50%
10月5日
相比其他基于人格的模拟方法，经过CUE校准的模拟器产生更少的模拟器自身错误（假失败）
待验证50%
10月5日
CUE的实验以τ²-Bench为主要舞台、拟合数据以客服交互为主，其在医疗、法律等更专业领域的校准效果仍有待后续验证
待验证50%
10月5日
τ²-Bench是专为多轮任务导向对话设计的评测基准，以任务最终成功与否作为核心指标并记录完整对话轨迹
待验证50%
全部知识事实 (5)
待验证
SkillScaffold在ALFWorld、WebShop、ScienceWorld和τ²-Bench四个基准上进行了评估，并在短程和长程任务上都超越了强智能体RL基线和技能驱动RL基线。
50%待验证论文在τ²-Bench多轮交互评测基准上验证了CUE的效果
50%待验证相比其他基于人格的模拟方法，经过CUE校准的模拟器产生更少的模拟器自身错误（假失败）
50%待验证CUE的实验以τ²-Bench为主要舞台、拟合数据以客服交互为主，其在医疗、法律等更专业领域的校准效果仍有待后续验证
50%待验证τ²-Bench是专为多轮任务导向对话设计的评测基准，以任务最终成功与否作为核心指标并记录完整对话轨迹
50%