加载中...
加载中...
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。
用于评估大模型智能体在双控（人机协同）环境下任务执行与沟通能力的开放基准
数据来源：DataLearnerAI
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | Gemini 3.0 Flashthinking + 使用工具 | 90.2 | 2025-12-17 | 未知 |
| 2 | GLM-5thinking + 使用工具 | 89.7 | 2026-02-11 | 7440 |
| 3 | Step 3.5 Flashthinking + 使用工具 | 88.2 | 2026-02-02 | 1960 |
| 4 | GLM-4.7thinking + 使用工具 | 87.4 | 2025-12-22 | 3580 |
| 5 | Qwen3.5-397B-A17Bthinking + 使用工具 | 86.7 | 2026-02-16 | 397 |
| 6 | Gemini 3.0 Pro (Preview 11-2025)thinking + 使用工具 | 85.4 | 2025-11-18 | 未知 |
| 7 | Claude Sonnet 4.5thinking + 使用工具 | 84.7 | 2025-09-30 | 未知 |
| 8 | Grok 4.1 Fastthinking + 使用工具 | 82.71 | 2025-11-19 | 未知 |
| 9 | Qwen3-Max-Thinkingthinking + 使用工具 | 82.1 | 2026-01-26 | 10000 |
| 10 | Claude Opus 4.5thinking + 使用工具 | 81.99 | 2025-11-25 | 未知 |
| 11 | DeepSeek V3.2thinking + 使用工具 | 80.3 | 2025-12-01 | 6710 |
| 12 | GPT-5thinking + 使用工具 | 80 | 2025-08-07 | 未知 |
| 13 | GLM-4.7-Flashthinking + 使用工具 | 79.5 | 2026-01-19 | 310 |
| 14 | MiniMax M2thinking + 使用工具 | 77.2 | 2025-10-27 | 2300 |
| 15 | GLM-4.6thinking + 使用工具 | 75.9 | 2025-09-30 | 3550 |
| 16 | Qwen3 Max (Preview)normal + 使用工具 | 74 | 2025-09-05 | 未知 |
| 17 | Claude Opus 4thinking + 使用工具 | 72.5 | 2025-05-23 | 未知 |
| 18 | Qwen3 Max (Preview)thinking + 使用工具 | 72 | 2025-09-05 | 未知 |
| 19 | Claude Sonnet 4.5normal + 使用工具 | 71 | 2025-09-30 | 未知 |
| 20 | DeepSeek V3.2-Expthinking + 使用工具 | 66.7 | 2025-09-29 | 6710 |
| 21 | Kimi K2normal + 使用工具 | 64.3 | 2025-07-11 | 10000 |
| 22 | Kimi K2thinking + 使用工具 | 64.3 | 2025-07-11 | 10000 |
| 23 | Claude Sonnet 3.7thinking + 使用工具 | 61.8 | 2025-02-25 | 未知 |
| 24 | OpenAI o4 - minithinking + 使用工具 | 56.9 | 2025-04-16 | 未知 |
| 25 | GPT-4.1normal + 使用工具 | 54.7 | 2025-04-14 | 未知 |
| 26 | GPT-4.1 mininormal + 使用工具 | 53 | 2025-04-14 | 未知 |
| 27 | Claude Sonnet 4normal + 使用工具 | 52 | 2025-05-23 | 未知 |
| 28 | Qwen3-30B-A3B-2507thinking + 使用工具 | 49 | 2025-07-29 | 305 |
| 29 | GPT OSS 20Bthinking + 使用工具 | 47.7 | 2025-08-06 | 210 |
| 30 | DeepSeek-V3-0324normal + 使用工具 | 38.8 | 2025-03-24 | 6710 |