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.
- 1Qwen3.8 Max (xhigh)55.1%
- 2Claude Opus 5 (max)48.7%
- 3Grok 4.5 (high)47.9%
- 4GPT-5.6 Sol (xhigh)46.9%
- 5GPT-5.5 (xhigh)44.6%
- 6Muse Spark 1.1 (xhigh)40.5%
- 7Claude Opus 4.7 (max)40.2%
- 8Claude Fable 5 (max)39.7%
- 9Claude Opus 4.8 (max)39.7%
- 10GPT-5.4 (xhigh)39.4%
- 11Kimi K3 (max)37.1%
- 12GLM 5.2 (xhigh)37.1%
- 13GPT-5.2 (high)32.2%
- 14Gemini 3 Flash (high)27.3%
- 15Claude Opus 4.6 (max)27.3%
27 / 27
| # | ||||
|---|---|---|---|---|
| 1 | 55.1% | 56.6 | 2026-08-04 | |
| 2 | 48.7% | 65.0 | 2026-08-04 | |
| 3 | 47.9% | 56.8 | 2026-08-04 | |
| 4 | 46.9% | 63.9 | 2026-08-04 | |
| 5 | 44.6% | 64.1 | 2026-05-05 | |
| 6 | 40.5% | 59.5 | 2026-08-04 | |
| 7 | 40.2% | 59.7 | 2026-05-05 | |
| 8 | 39.7% | 65.1 | 2026-08-04 | |
| 9 | 39.7% | 61.1 | 2026-08-04 | |
| 10 | 39.4% | 63.1 | 2026-03-25 | |
| 11 | 37.1% | 60.2 | 2026-08-04 | |
| 12 | 37.1% | – | 2026-08-04 | |
| 13 | 32.2% | 55.8 | 2026-02-26 | |
| 14 | 27.3% | 57.4 | 2026-03-02 | |
| 15 | 27.3% | 57.0 | 2026-05-05 | |
| 16 | 26.0% | 60.4 | 2026-05-05 | |
| 17 | 25.3% | 52.3 | 2026-02-26 | |
| 18 | 25.0% | – | 2026-08-04 | |
| 19 | 24.7% | 59.7 | 2026-02-26 | |
| 20 | 18.0% | 60.0 | 2026-03-02 | |
| 21 | 18.0% | – | 2026-05-05 | |
| 22 | 15.7% | – | 2026-05-05 | |
| 23 | 13.7% | – | 2026-05-05 | |
| 24 | 13.1% | – | 2026-05-05 | |
| 25 | 12.6% | 48.5 | 2026-02-26 | |
| 26 | 9.8% | 60.2 | 2026-03-02 | |
| 27 | 9.8% | 56.4 | 2026-03-02 |
相关基准测试
τ³-bench Banking 上的热门模型对比
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。