Benchmarks de Agents

Benchmark de agentes de τ²-bench Core

OpenGPT mantiene 8 filas publicadas asociadas a la versión τ²-bench Core exacta de la prueba de referencia y al entorno que se muestran a continuación.

Tareas: 278
Filas publicadas: 8
Fecha de los datos de la fuente: 22 jul 2026
Identidad revisada: Actual

Alcance de la evidencia

v1.0.1 · standard agent · GPT-5.2 low user simulator · 4 trials. base tasks across retail, airline, and telecom. Standard agent, standard domain tools, and a shared GPT-5.2 low-reasoning user simulator. 4 trials per task · 1,112 trajectories per configuration.

How OpenGPT handles this evidence

OpenGPT conserva la métrica, el alcance de tareas, el entorno, la versión, los campos de configuración y la fecha de la fuente del editor. No crea una puntuación general de agentes entre pruebas de referencia distintas.

Límites de la comparación

Un resultado superior solo se aplica a la versión y las condiciones del benchmark mostradas.
Los resultados de Agents reflejan el sistema completo, no solo el modelo base.
Los datos ausentes sobre coste, fiabilidad, seguridad o latencia se mantienen sin informar, en lugar de inferirse.
OpenGPT incluye solo las ocho filas enviadas por el editor que comparten la prueba de referencia v1.0.1, la estructura y las herramientas estándar, el mismo simulador de usuario, las mismas divisiones de tareas base y cuatro ensayos. Las demás filas de τ-bench quedan fuera de este alcance.

v1.0.1 · standard agent · GPT-5.2 low user simulator · 4 trials

Mostrando 8 de 8 filas publicadas. Cada resultado permanece vinculado al benchmark y a la configuración de origen.