ττ-Bench：面向端到端真实智能体构建的基准环境
原文标题：$\tau^\tau$-Bench: An Environment for End-To-End, Realistic Agent Construction
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究推出τ^τ-bench基准，测试编码代理在真实客户参与条件下构建完整客服代理的能力。最强配置Claude Opus 5在Claude Code下仅通过23.9%的模拟，而专家参考上限为82.2%，揭示当前代理在深度理解、沟通和实验方面的不足。
- 问题
- 编码代理能否在真实客户条件下构建完整客服代理。
- 方法
- 推出τ^τ-bench，给定业务记录、客户需求、生产API与成本限制，交付客服代理并评测。
- 结果
- 最强配置Claude Opus 5在Claude Code下仅通过23.9%，专家参考上限82.2%。
- 影响
- 揭示编码代理在深度理解、沟通与实验上的短板，为代理构建能力设可测目标。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ττ-Bench测编码代理建客服代理，最强配置仅过23.9%，专家上限82.2%。
- •任务设定为真实客户参与：开发者代理拿到企业记录、客户需求、生产API、待继承代码库及成本与模型限制
- •覆盖四个领域共53个任务，按部署后对留出模拟用户的表现评分
- •最强配置Claude Opus 5在Claude Code下仅通过23.9%的评估模拟，专家参考上限为82.2%
- •失败模式与人类开发者相似：查询浅、几乎不与客户沟通、架构与算力花费实验过少
- •往往直接交付第一个能跑通的设计
为什么重要：把「协作式构建代理」变成可测量目标，暴露当前编码代理在真实交付场景中与专家上限的巨大差距。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。