τ²-Bench 评测基准详情

144

为了解决大模型的Agent操作依赖交互和人工处理这个问题,普林斯顿大学与 Sierra Research 的研究团队在 2025 年 6 月提出了 τ²-Bench(Tau-Squared Benchmark),并发布了论文《τ²-Bench: Evaluating Conversational Agents in a Dual-Control Environment》。 它是对早期 τ-Bench 的扩展版本,旨在建立一种标准化方法,评估智能体在与用户共同作用于环境时的表现。

模型模式说明

不同模式会显著影响成绩,请在对比榜单时留意标签提示。

提示:若某条记录未显示任何标签,即默认是 normal 常规模式。

normal

常规推理:单步推理,不延长思考、也不调用额外工具。

thinking low medium high

Thinking 系列:常规延长思考时间,low/medium/high 代表不同耗时或深度,各厂商叫法不同。

deeper thinking

Deeper thinking:在 Thinking 基础上进一步延长思考链条,通常意味着更多算力与时间。

使用工具 / 联网

允许调用检索、浏览器、代码解释器等外部能力。

parallel_thinking

并行思考:多线程/多代理协同探索再汇总,通常只在厂商内部实验环境中启用、尚未对外开放,因此被视为“作弊”模式。

τ²-Bench 大模型得分排行榜

数据来源:DataLearnerAI

τ²-Bench详细排名数据表格

默认:仅展示常规/非并行的评测结果,可按需查看并行思考成绩。

默认隐藏并行思考结果。

排名
模型
得分
发布时间
参数(亿)
1
Google Deep Mind Logo
Gemini 3.0 Pro (Preview 11-2025) thinking + 使用工具
85.4
2025-11-18
未知
τ²-Bench得分 85.4
发布时间 2025-11-18
参数(亿) 未知
查看模型详情
2
Anthropic Logo
Claude Sonnet 4.5 thinking + 使用工具
84.7
2025-09-30
未知
τ²-Bench得分 84.7
发布时间 2025-09-30
参数(亿) 未知
查看模型详情
3
OpenAI Logo
GPT-5 thinking + 使用工具
80.0
2025-08-07
未知
τ²-Bench得分 80.0
发布时间 2025-08-07
参数(亿) 未知
查看模型详情
4
MiniMaxAI Logo
MiniMax M2 thinking + 使用工具
77.2
2025-10-27
2300.0
τ²-Bench得分 77.2
发布时间 2025-10-27
参数(亿) 2300.0
查看模型详情
5
智谱AI Logo
GLM-4.6 thinking + 使用工具
75.9
2025-09-30
3550.0
τ²-Bench得分 75.9
发布时间 2025-09-30
参数(亿) 3550.0
查看模型详情
6
阿里巴巴 Logo
Qwen3 Max normal + 使用工具
74.0
2025-09-05
未知
τ²-Bench得分 74.0
发布时间 2025-09-05
参数(亿) 未知
查看模型详情
7
Anthropic Logo
Claude Opus 4 thinking + 使用工具
72.5
2025-05-23
未知
τ²-Bench得分 72.5
发布时间 2025-05-23
参数(亿) 未知
查看模型详情
8
阿里巴巴 Logo
Qwen3 Max thinking + 使用工具
72.0
2025-09-05
未知
τ²-Bench得分 72.0
发布时间 2025-09-05
参数(亿) 未知
查看模型详情
9
Anthropic Logo
Claude Sonnet 4.5 normal + 使用工具
71.0
2025-09-30
未知
τ²-Bench得分 71.0
发布时间 2025-09-30
参数(亿) 未知
查看模型详情
10
DeepSeek-AI Logo
DeepSeek V3.2-Exp thinking + 使用工具
66.7
2025-09-29
6710.0
τ²-Bench得分 66.7
发布时间 2025-09-29
参数(亿) 6710.0
查看模型详情
11
Anthropic Logo
Claude Sonnet 4 thinking + 使用工具
65.0
2025-05-23
未知
τ²-Bench得分 65.0
发布时间 2025-05-23
参数(亿) 未知
查看模型详情
12
Moonshot AI Logo
Kimi K2 normal + 使用工具
64.3
2025-07-11
10000.0
τ²-Bench得分 64.3
发布时间 2025-07-11
参数(亿) 10000.0
查看模型详情
13
Moonshot AI Logo
Kimi K2 thinking + 使用工具
64.3
2025-07-11
10000.0
τ²-Bench得分 64.3
发布时间 2025-07-11
参数(亿) 10000.0
查看模型详情
14
Anthropic Logo
Claude Sonnet 3.7 thinking + 使用工具
61.8
2025-02-25
未知
τ²-Bench得分 61.8
发布时间 2025-02-25
参数(亿) 未知
查看模型详情
15
OpenAI Logo
OpenAI o4 - mini thinking + 使用工具
56.9
2025-04-16
未知
τ²-Bench得分 56.9
发布时间 2025-04-16
参数(亿) 未知
查看模型详情
16
OpenAI Logo
GPT-4.1 normal + 使用工具
54.7
2025-04-14
未知
τ²-Bench得分 54.7
发布时间 2025-04-14
参数(亿) 未知
查看模型详情
17
OpenAI Logo
GPT-4.1 mini normal + 使用工具
53.0
2025-04-14
未知
τ²-Bench得分 53.0
发布时间 2025-04-14
参数(亿) 未知
查看模型详情
18
Anthropic Logo
Claude Sonnet 4 normal + 使用工具
52.0
2025-05-23
未知
τ²-Bench得分 52.0
发布时间 2025-05-23
参数(亿) 未知
查看模型详情
19
DeepSeek-AI Logo
DeepSeek-V3-0324 normal + 使用工具
38.8
2025-03-24
6710.0
τ²-Bench得分 38.8
发布时间 2025-03-24
参数(亿) 6710.0
查看模型详情
20
DeepSeek-AI Logo
DeepSeek-V3.1 Terminus normal + 使用工具
37.0
2025-09-22
6710.0
τ²-Bench得分 37.0
发布时间 2025-09-22
参数(亿) 6710.0
查看模型详情
21
DeepSeek-AI Logo
DeepSeek-V3.1 Terminus thinking + 使用工具
37.0
2025-09-22
6710.0
τ²-Bench得分 37.0
发布时间 2025-09-22
参数(亿) 6710.0
查看模型详情
22
阿里巴巴 Logo
Qwen3-235B-A22B thinking + 使用工具
34.4
2025-04-28
2350.0
τ²-Bench得分 34.4
发布时间 2025-04-28
参数(亿) 2350.0
查看模型详情
23
Anthropic Logo
Haiku 4.5 normal + 使用工具
33.0
2025-10-15
未知
τ²-Bench得分 33.0
发布时间 2025-10-15
参数(亿) 未知
查看模型详情