行业与实践 · 标签「可靠性」

研究与基准测试/2026-09-30/6 分钟

τ-bench 如何把「做成一次」和「每次都能做成」拆开

Sierra 的 τ-bench 从 2024 年 6 月起测工具、Agent 和用户的多轮交互，并用重复成功率暴露一次通过掩盖的不稳定。它后来成为研究和行业评测的参照。