AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
Tau-bench
τ-bench: A benchmark for tool-agent-user interaction in real-world domains. Tests language agents' ability to interact with users and follow domain-specific rules through dynamic conversations using API tools and policy guidelines across retail and airline domains. Evaluates consistency and reliability of agent behavior over multiple trials.
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 6
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 |
|---|---|---|---|---|---|
| Step-3.5-Flash | 0.882 | 未收录 | 未收录 | 2026-02-02 · model_announcement | LLM Stats |
| GLM-4.7 | 0.874 | 未收录 | 未收录 | 2025-12-22 · model_announcement | LLM Stats |
| MiMo-V2-Flash | 0.803 | 未收录 | 未收录 | 2025-12-16 · model_announcement | LLM Stats |
| GLM-4.7-Flash | 0.795 | 未收录 | 未收录 | 2026-01-19 · model_announcement | LLM Stats |
| MiniMax M2 | 0.772 | 未收录 | 未收录 | 2025-10-27 · model_announcement | LLM Stats |
| o3 | 0.63 | 未收录 | 未收录 | 2025-04-16 · model_announcement | LLM Stats |