基准

τ³-bench banking

τ-bench 系列中模拟银行客服场景的工具调用基准，要求智能体在遵守业务规则的前提下调用 API 完成用户请求，考验指令遵循与工具使用。

时间轴 (近 90 天)

10月20日

EvoSkill v2 在 τ³-bench banking 基准上，将留出集通过率相比较强的基线高出 5.4 个百分点。

待验证50%

10月20日

在 τ³-bench banking 实验中，当 Claude Haiku 5.5 同时驱动求解器和进化器时，技能提升幅度最高达到 21.5 个百分点。

待验证50%

10月20日

SpreadsheetBench v2 聚焦电子表格操作，τ³-bench banking 属于 τ-bench 系列的工具调用基准，模拟银行客服场景。

待验证50%

EvoSkill v2 在 τ³-bench banking 基准上，将留出集通过率相比较强的基线高出 5.4 个百分点。

在 τ³-bench banking 实验中，当 Claude Haiku 5.5 同时驱动求解器和进化器时，技能提升幅度最高达到 21.5 个百分点。

SpreadsheetBench v2 聚焦电子表格操作，τ³-bench banking 属于 τ-bench 系列的工具调用基准，模拟银行客服场景。