OpenGPTDecisiones de modelos basadas en evidenciaPromedio de tareas superadas¹81.01%Coste por tarea completada con éxitoNo publicadoIntervalo de resultados publicadosNo publicado
Detalles del Agent →Alcance compartido del benchmark · τ²-bench Core
Comparación de agentes en el mismo benchmark
Las entradas que aparecen a continuación comparten el mismo alcance de benchmark. Sus andamiajes, versiones de modelos, fechas y valores originales de las fuentes permanecen visibles.
Un valor de origen superior solo significa un mejor rendimiento en este benchmark y esta configuración. No es una puntuación comparable entre benchmarks ni de preparación para producción.
Comparar elementos equivalentes
Resumen de la decisión
Solo pueden incluirse en una misma comparación configuraciones de la misma versión de la prueba de referencia y con el mismo alcance de tareas.
Promedio de tareas superadas¹87.91%Coste por tarea completada con éxitoNo publicadoIntervalo de resultados publicadosNo publicado
Detalles del Agent →18 campos idénticos o sin datos se ocultan
| Sistema Agent | τ² standard agent · GLM-5 · thinking | τ² standard agent · Qwen3.5-397B-A17B · thinking |
|---|---|---|
| Configuración | ||
| Modelo base | GLM-5 | Qwen3.5-397B-A17B |
| ID o etiqueta del modelo en la fuente | GLM-5 · thinking | Qwen3.5-397B-A17B · thinking |
| Resultado | ||
| Promedio de tareas superadas¹ | 81.01% | 87.91% |
| Fuente | ||
| Abrir fuente | Abrir fuente ↗ | Abrir fuente ↗ |
Configuración
τ² standard agent · GLM-5 · thinking
- Modelo base
- GLM-5
- ID o etiqueta del modelo en la fuente
- GLM-5 · thinking
τ² standard agent · Qwen3.5-397B-A17B · thinking
- Modelo base
- Qwen3.5-397B-A17B
- ID o etiqueta del modelo en la fuente
- Qwen3.5-397B-A17B · thinking
Resultado
τ² standard agent · GLM-5 · thinking
- Promedio de tareas superadas¹
- 81.01%
τ² standard agent · Qwen3.5-397B-A17B · thinking
- Promedio de tareas superadas¹
- 87.91%
Fuente
τ² standard agent · GLM-5 · thinking
τ² standard agent · Qwen3.5-397B-A17B · thinking
Datos comunicados por la fuente; los valores ausentes siguen siendo desconocidos.
Validar antes de adoptar
Las clasificaciones públicas permiten elaborar una lista de finalistas. Una pequeña prueba privada determina si la configuración se adapta a tu trabajo.
- 1
Elige entre 10 y 20 tareas representativas y define una condición de aprobación clara.
- 2
Fija el agente, el modelo, las herramientas, los permisos y el presupuesto antes de realizar la prueba.
- 3
Ejecute cada tarea importante más de una vez; registre el éxito, el coste, el tiempo y las intervenciones humanas.
- 4
Revise los fallos y los riesgos del tratamiento de datos antes de tomar una decisión de producción.