基准
τ³-Bench
面向智能体工具使用与多轮交互的基准测试，本文使用其银行领域实例评估智能体记忆与路由效果
时间轴 (近 90 天)
10月30日
研究团队在一个异构任务流上评估了 Routed CL，该流交错包含来自六个 CL-Bench 任务的301个实例，以及来自 τ³-Bench 的97个银行领域实例；实验覆盖四种语言模型，并进行了五次匹配的 rollout。
待验证50%
面向智能体工具使用与多轮交互的基准测试，本文使用其银行领域实例评估智能体记忆与路由效果
研究团队在一个异构任务流上评估了 Routed CL，该流交错包含来自六个 CL-Bench 任务的301个实例，以及来自 τ³-Bench 的97个银行领域实例；实验覆盖四种语言模型，并进行了五次匹配的 rollout。