BenchLeader

τ³-bench Banking 排行榜

截至 2026年11月16日,τ³-bench Banking 的最高分为 55.1%,由 Qwen3.8 Max(Alibaba)取得,领先于 Claude Opus 5(48.7%)。共有 27 个模型配置公布了结果(τ²-bench,结果日期 2026年8月4日)。Sierra 在最初三个领域之后新增的银行领域 pass^1:客服智能体使用银行的工具应对模拟客户。这是 Sierra 自己的结果;计入 Index 的是 Artificial Analysis 的结果。τ³-bench Banking 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • Qwen3.8 Max 以 55.1% 保持 τ³-bench Banking 最高分(τ²-bench,2026年8月4日)。
  • Claude Opus 5 以 48.7% 位列 τ³-bench Banking 第二(τ²-bench,2026年8月4日)。
  • τ³-bench Banking:Sierra 在最初三个领域之后新增的银行领域 pass^1:客服智能体使用银行的工具应对模拟客户。这是 Sierra 自己的结果;计入 Index 的是 Artificial Analysis 的结果(τ²-bench)。
  • BenchLeader 上有 27 个模型配置公布了 τ³-bench Banking 结果(BenchLeader,2026年11月16日)。
  • τ³-bench Banking 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

Sierra 在最初三个领域之后新增的银行领域 pass^1:客服智能体使用银行的工具应对模拟客户。这是 Sierra 自己的结果;计入 Index 的是 Artificial Analysis 的结果。

发布方
τ²-bench
类别
智能体与工具
Index 权重
仅作参考
模型
27
数据截至
2026年11月16日

MIT — sierra-research/tau2-bench.

27 / 27
#
1Qwen3.8 Maxxhigh55.1%56.62026-08-04
2Claude Opus 5max48.7%65.02026-08-04
3Grok 4.5high47.9%56.82026-08-04
4GPT-5.6 Solxhigh46.9%63.92026-08-04
5GPT-5.5xhigh44.6%64.12026-05-05
6Muse Spark 1.1xhigh40.5%59.52026-08-04
7Claude Opus 4.7max40.2%59.72026-05-05
8Claude Fable 5max39.7%65.12026-08-04
9Claude Opus 4.8max39.7%61.12026-08-04
10GPT-5.4xhigh39.4%63.12026-03-25
11Kimi K3max37.1%60.22026-08-04
12GLM 5.2xhigh37.1%–2026-08-04
13GPT-5.2high32.2%55.82026-02-26
14Gemini 3 Flashhigh27.3%57.42026-03-02
15Claude Opus 4.6max27.3%57.02026-05-05
16Gemini 3.1 Prohigh26.0%60.42026-05-05
17Claude Sonnet 4.5thinking25.3%52.32026-02-26
18Inklingmax25.0%–2026-08-04
19Claude Opus 4.5high24.7%59.72026-02-26
20Gemini 3 Prohigh18.0%60.02026-03-02
21Grok 4.2high18.0%–2026-05-05
22Grok 4 Fasthigh15.7%–2026-05-05
23Gemini 2.5 Prohigh13.7%–2026-05-05
24Grok 4.1 Fasthigh13.1%–2026-05-05
25GPT-5.2无推理12.6%48.52026-02-26
26GLM-5thinking9.8%60.22026-03-02
27Qwen3.5 397B A17Bthinking9.8%56.42026-03-02

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,《τ³-bench Banking 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/tau3_banking。

τ³-bench Banking:常见问题

τ³-bench Banking 衡量的是什么?
Sierra 在最初三个领域之后新增的银行领域 pass^1:客服智能体使用银行的工具应对模拟客户。这是 Sierra 自己的结果;计入 Index 的是 Artificial Analysis 的结果。分数以完成任务的百分比表示,越高越好。
τ³-bench Banking 的最高分是多少?
截至 2026年11月16日,τ³-bench Banking 的最高分为 55.1%,由 Qwen3.8 Max 取得(结果日期 2026年8月4日),领先于 Claude Opus 5(48.7%)。分数来自 τ²-bench,每天重新读取。
哪个 AI 模型在 τ³-bench Banking 上领先?
截至 2026年11月16日,τ³-bench Banking 排名第一的是 Qwen3.8 Max,分数为 55.1%(结果日期 2026年8月4日)。其后为 Claude Opus 5(48.7%)。
有多少模型有 τ³-bench Banking 结果?
BenchLeader 上有 27 个模型配置有 τ³-bench Banking 结果,全部取自 τ²-bench。
τ³-bench Banking 由谁运行,多久更新一次?
τ³-bench Banking 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。
τ³-bench Banking 是否计入 BenchLeader Index?
不计入。τ³-bench Banking 仅作参考展示,不计入综合分数。