AI EVALUATION, IN CONTEXT.BY EQUALITY MACHINE

LLM Stats

TAU-bench Retail

A benchmark for evaluating tool-agent-user interaction in retail environments. Tests language agents' ability to handle dynamic conversations with users while using domain-specific API tools and following policy guidelines. Evaluates agents on tasks like order cancellations, address changes, and order status checks through multi-turn conversations.

评测信息与证据

来源
LLM Stats
发布者
未收录
评测发布日期
未收录
采集日期
2026-08-17
模态
text

本站保留来源报告的结果,不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期;不同运行条件不能直接合并为统一排名。

原始资料

报告成绩 25

按来源中的观察顺序展示,顺序不代表排名。日期保留原始精度。

模型数值单位协议报告日期与口径来源
Claude Sonnet 4.50.862未收录未收录2025-09-29 · model_announcementLLM Stats
Claude Opus 4.10.824未收录未收录2025-08-05 · model_announcementLLM Stats
Claude Opus 40.814未收录未收录2025-05-22 · model_announcementLLM Stats
Claude 3.7 Sonnet0.812未收录未收录2025-02-24 · model_announcementLLM Stats
Claude Sonnet 40.805未收录未收录2025-05-22 · model_announcementLLM Stats
GLM-4.50.797未收录未收录2025-07-28 · model_announcementLLM Stats
GLM-4.5-Air0.779未收录未收录2025-07-28 · model_announcementLLM Stats
Qwen3-Coder 480B A35B Instruct0.775未收录未收录2025-01-31 · model_announcementLLM Stats
o4-mini0.718未收录未收录2025-04-16 · model_announcementLLM Stats
o10.708未收录未收录2024-12-17 · model_announcementLLM Stats
Qwen3-Next-80B-A3B-Thinking0.696未收录未收录2025-09-10 · model_announcementLLM Stats
Claude 3.5 Sonnet0.692未收录未收录2024-10-22 · model_announcementLLM Stats
GPT-4.50.684未收录未收录2025-02-27 · model_announcementLLM Stats
GPT-4.10.68未收录未收录2025-04-14 · model_announcementLLM Stats
GPT OSS 120B0.678未收录未收录2025-08-05 · model_announcementLLM Stats
Qwen3-235B-A22B-Thinking-25070.678未收录未收录2025-07-25 · model_announcementLLM Stats
MiniMax M1 40K0.678未收录未收录2025-06-16 · model_announcementLLM Stats
MiniMax M1 80K0.635未收录未收录2025-06-16 · model_announcementLLM Stats
Qwen3-Next-80B-A3B-Instruct0.609未收录未收录2025-09-10 · model_announcementLLM Stats
GPT-4o0.603未收录未收录2024-08-06 · model_announcementLLM Stats
o3-mini0.576未收录未收录2025-01-30 · model_announcementLLM Stats
GPT-4.1 mini0.558未收录未收录2025-04-14 · model_announcementLLM Stats
GPT OSS 20B0.548未收录未收录2025-08-05 · model_announcementLLM Stats
Claude 3.5 Haiku0.51未收录未收录2024-10-22 · model_announcementLLM Stats
GPT-4.1 nano0.226未收录未收录2025-04-14 · model_announcementLLM Stats