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。
面向电信领域的用于评估大模型在人机协同场景下的任务执行能力
Source: DataLearnerAI
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | Claude Opus 4.6default | 99.3 | 2026-02-05 | 未知 |
| 2 | Gemini 3.1 Pro Previewdefault | 99.3 | 2026-02-20 | 未知 |
| 3 | Claude Opus 4.6深度思考模式（工具） | 99.25 | 2026-02-05 | 未知 |
| 4 | GPT-5.4极高强度思考（工具） | 98.9 | 2026-03-05 | 未知 |
| 5 | GPT-5.2default | 98.7 | 2025-12-11 | 未知 |
| 6 | GPT-5.2极高强度思考（工具） | 98.7 | 2025-12-11 | 未知 |
| 7 | Claude Sonnet 4.5default | 98 | 2025-09-30 | 未知 |
| 8 | 98 | 2025-11-18 | 未知 | |
| 9 | GLM-5default | 98 | 2026-02-11 | 7440 |
| 10 | Claude Sonnet 4.6default | 97.9 | 2026-02-17 | 未知 |
| 11 | MiniMax M2.5default | 97.8 | 2026-02-12 | 2290 |
| 12 | GPT-5default | 96.7 | 2025-08-07 | 未知 |
| 13 | GLM-4.7-Flashdefault | 96 | 2026-01-19 | 310 |
| 14 | GPT-5default | 95.8 | 2025-08-07 | 未知 |
| 15 | GPT-5.1default | 95.6 | 2025-11-12 | 未知 |
| 16 | GPT-5.1思考模式 High（工具） | 95.6 | 2025-11-12 | 未知 |
| 17 | Grok 4.1 Fastdefault | 94.74 | 2025-11-19 | 未知 |
| 18 | GLM-4.7-Flashdefault | 94 | 2026-01-19 | 310 |
| 19 | Kimi K2 Thinkingdefault | 93 | 2025-11-06 | 10400 |
| 20 | Claude Opus 4.5default | 90.7 | 2025-11-25 | 未知 |
| 21 | MiniMax M2default | 87 | 2025-10-27 | 2300 |
| 22 | M2.1default | 87 | 2025-12-23 | 2300 |
| 23 | Claude Opus 4.6default | 85 | 2026-02-05 | 未知 |
| 24 | Qwen3 Max (Preview)default | 84.2 | 2025-09-05 | 未知 |
| 25 | Grok 4default | 75 | 2025-07-10 | 未知 |
| 26 | GLM-4.6default | 71 | 2025-09-30 | 3550 |
| 27 | Kimi K2default | 65.8 | 2025-07-11 | 10000 |
| 28 | Claude Sonnet 4default | 65 | 2025-05-23 | 未知 |
| 29 | GPT-5.4常规模式（工具） | 64.3 | 2026-03-05 | 未知 |
| 30 | Claude Sonnet 3.7default | 55 | 2025-02-25 | 未知 |