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。
Model reports
tau2-bench
Per-domain scores (Retail, Telecom, Airline) diverge sharply and several cards apply the Airline domain fixes from the Claude Opus 4.5 system card, so an average conceals both the domain mix and the patch level.
评测信息与证据
- 来源
- Model reports
- 发布者
- 未收录
- 评测发布日期
- 2025-06-09
- 采集日期
- 未收录
- 模态
- 未收录
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 5
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 |
|---|---|---|---|---|---|
| Gemini 3.1 Pro | 90.8 | percent | Thinking (High), Retail | 2026-02-19 · document_publication | Gemini 3.1 Pro |
| Gemini 3.1 Pro | 99.3 | percent | Thinking (High), Telecom | 2026-02-19 · document_publication | Gemini 3.1 Pro |
| Gemma 4 (31B) | 76.9 | percent | average over 3 | 2026-03-11 · document_publication | Gemma 4 (31B) |
| Qwen3.5-397B-A17B | 86.7 | percent | thinking (temp 0.6, top_p 0.95, top_k 20) | 2026-02-16 · document_publication | Qwen3.5-397B-A17B |
| GLM-5 | 89.7 | percent | Retail and Telecom prompt adjustment; Airline domain fixes per Claude Opus 4.5 system card | 2026-02-11 · document_publication | GLM-5 |