BenchLeader

τ²-bench 排行榜

截至 2026年11月16日,τ²-bench 的最高分为 87.9%,由 Qwen3.5 397B A17B(Alibaba)取得,领先于 Claude Opus 4.5(85.3%)。共有 8 个模型配置公布了结果(τ²-bench,结果日期 2026年3月2日)。τ²-bench 模拟航空、零售和电信领域的客服对话,模型必须遵循政策、使用工具,并与一个同样会采取行动的模拟用户配合。τ²-bench 计入 BenchLeader Index 的智能体与工具得分。

要点(截至 2026年11月16日)

  • Qwen3.5 397B A17B 以 87.9% 保持 τ²-bench 最高分(τ²-bench,2026年3月2日)。
  • Claude Opus 4.5 以 85.3% 位列 τ²-bench 第二(τ²-bench,2026年2月26日)。
  • τ²-bench:航空、零售和电信领域 pass^1 的平均值(τ²-bench)。
  • BenchLeader 上有 8 个模型配置公布了 τ²-bench 结果(BenchLeader,2026年11月16日)。
  • τ²-bench 计入 BenchLeader Index 的智能体与工具类别(BenchLeader 方法论)。

航空、零售和电信领域 pass^1 的平均值。

发布方
τ²-bench
类别
智能体与工具
Index 权重
1.0
模型
8
数据截至
2026年11月16日

MIT — sierra-research/tau2-bench.

测试内容

τ²-bench 模拟航空、零售和电信领域的客服对话,模型必须遵循政策、使用工具,并与一个同样会采取行动的模拟用户配合。

评分方式

各领域 pass^1 的平均值:第一次尝试就以正确最终状态结束的对话比例。

注意事项

模拟用户本身也是一个模型,所以它的行为会影响结果。政策文档很长,分数取决于模型遵循政策的好坏,而不是通用知识。

8 / 8
#
1Qwen3.5 397B A17Bthinking87.9%56.42026-03-02
2Claude Opus 4.5high85.3%59.72026-02-26
3GPT-5.2high84.8%55.82026-02-26
4Gemini 3 Flashhigh83.5%57.42026-03-02
5Gemini 3 Prohigh82.5%60.02026-03-02
6GLM-5thinking81.0%60.22026-03-02
7Claude Sonnet 4.5thinking76.4%52.32026-02-26
8GPT-5.2无推理61.6%48.52026-02-26

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《τ²-bench 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/tau2_bench。

τ²-bench:常见问题

τ²-bench 衡量的是什么?
τ²-bench 模拟航空、零售和电信领域的客服对话,模型必须遵循政策、使用工具,并与一个同样会采取行动的模拟用户配合。分数以完成任务的百分比表示,越高越好。
τ²-bench 的最高分是多少?
截至 2026年11月16日,τ²-bench 的最高分为 87.9%,由 Qwen3.5 397B A17B 取得(结果日期 2026年3月2日),领先于 Claude Opus 4.5(85.3%)。分数来自 τ²-bench,每天重新读取。
哪个 AI 模型在 τ²-bench 上领先?
截至 2026年11月16日,τ²-bench 排名第一的是 Qwen3.5 397B A17B,分数为 87.9%(结果日期 2026年3月2日)。其后为 Claude Opus 4.5(85.3%)。
有多少模型有 τ²-bench 结果?
BenchLeader 上有 8 个模型配置有 τ²-bench 结果,全部取自 τ²-bench。
τ²-bench 由谁运行,多久更新一次?
τ²-bench 由 τ²-bench 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
τ²-bench 是否计入 BenchLeader Index?
计入。τ²-bench 计入 BenchLeader Index 的智能体与工具类别,并经过归一化,使参评模型的平均值为 50。