τ²-BenchAgent

Vending/Retail/Telecom/Airline 领域 Agent 基准, 小 prompt 修正TAU2-Bench 是 TAU-bench 的第二代升级版，引入更复杂的多轮对话场景和改进的评估方法。在第一代基础上增加更丰富的用户模型、更细致的评分标准和更多样化的任务模板，是当前评估客服对话 Agent 的主流基准之一。

排行数据源

#模型得分

1

Claude Opus 4.5Anthropic

91.6%

2

Gemini 3 ProGoogle

90.7%

3

GLM-5智谱AI

89.7%

4

Claude Sonnet 4.5Anthropic

88.1%

5

GLM-4.7智谱AI

87.4%

6

GPT-5.2OpenAI

87.1%

7

Qwen3.5-397B-A17B阿里巴巴

86.7%

8

DeepSeek-V3.2深度求索

85.3%

9

GPT-5.1OpenAI

82.7%

10

GPT-5OpenAI

82.4%

共 21 个模型

返回基准目录