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
Tau2 Retail
τ²-bench retail domain evaluates conversational AI agents in customer service scenarios within a dual-control environment where both agent and user can interact with tools. Tests tool-agent-user interaction, rule adherence, and task consistency in retail customer support contexts.
评测信息与证据
- 来源
- LLM Stats
- 发布者
- Sierra
- 评测发布日期
- 2025-06-09
- 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 26
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 Opus 4.6 | 0.919 | 未收录 | 未收录 | 2026-02-05 · model_announcement | LLM Stats |
| Claude Sonnet 4.6 | 0.917 | 未收录 | 未收录 | 2026-02-17 · model_announcement | LLM Stats |
| Claude Opus 4.5 | 0.889 | 未收录 | 未收录 | 2025-11-24 · model_announcement | LLM Stats |
| LongCat-Flash-Thinking-2601 | 0.886 | 未收录 | 未收录 | 2026-01-14 · model_announcement | LLM Stats |
| Claude Haiku 4.5 | 0.832 | 未收录 | 未收录 | 2025-10-15 · model_announcement | LLM Stats |
| GPT-5.2 | 0.82 | 未收录 | 未收录 | 2025-12-11 · model_announcement | LLM Stats |
| GPT-5 | 0.811 | 未收录 | 未收录 | 2025-08-07 · model_announcement | LLM Stats |
| o3 | 0.802 | 未收录 | 未收录 | 2025-04-16 · model_announcement | LLM Stats |
| Nova 2 Omni | 0.783 | 未收录 | 未收录 | 2025-12-02 · model_announcement | LLM Stats |
| GPT-5.1 | 0.779 | 未收录 | 未收录 | 2025-11-13 · model_announcement | LLM Stats |
| GPT-5.1 Instant | 0.779 | 未收录 | 未收录 | 2025-11-12 · model_announcement | LLM Stats |
| GPT-5.1 Thinking | 0.779 | 未收录 | 未收录 | 2025-11-12 · model_announcement | LLM Stats |
| Nova 2 Pro | 0.777 | 未收录 | 未收录 | 2025-12-02 · model_announcement | LLM Stats |
| Nova 2 Lite | 0.765 | 未收录 | 未收录 | 2025-12-02 · model_announcement | LLM Stats |
| LongCat-Flash-Lite | 0.731 | 未收录 | 未收录 | 2026-02-05 · model_announcement | LLM Stats |
| Qwen3-235B-A22B-Thinking-2507 | 0.719 | 未收录 | 未收录 | 2025-07-25 · model_announcement | LLM Stats |
| LongCat-Flash-Thinking | 0.715 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3-235B-A22B-Instruct-2507 | 0.713 | 未收录 | 未收录 | 2025-07-22 · model_announcement | LLM Stats |
| LongCat-Flash-Chat | 0.7127 | 未收录 | 未收录 | 2025-08-29 · model_announcement | LLM Stats |
| Kimi K2-Instruct-0905 | 0.706 | 未收录 | 未收录 | 2025-09-05 · model_announcement | LLM Stats |
| Kimi K2 Instruct | 0.706 | 未收录 | 未收录 | 2025-07-11 · model_announcement | LLM Stats |
| Qwen3-Next-80B-A3B-Thinking | 0.678 | 未收录 | 未收录 | 2025-09-10 · model_announcement | LLM Stats |
| GPT-4o | 0.634 | 未收录 | 未收录 | 2024-08-06 · model_announcement | LLM Stats |
| Nemotron 3 Super (120B A12B) | 0.6283 | 未收录 | 未收录 | 2026-03-11 · model_announcement | LLM Stats |
| Qwen3-Next-80B-A3B-Instruct | 0.573 | 未收录 | 未收录 | 2025-09-10 · model_announcement | LLM Stats |
| Nemotron 3 Nano (30B A3B) | 0.569 | 未收录 | 未收录 | 2025-12-15 · model_announcement | LLM Stats |