Alcance compartido del benchmark · τ²-bench Core

Comparación de agentes en el mismo benchmark

Evidencia histórica

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.

Datos comunicados por la fuente; los valores ausentes siguen siendo desconocidos.

Diferencias de un vistazo

τ²-bench Core · Promedio de tareas superadas¹

Diferencias de un vistazo	τ² standard agent · GLM-5 · thinking	τ² standard agent · Qwen3.5-397B-A17B · thinking
Ventajas	—	Resultado publicado mayor: 87.91%
Limitaciones y compromisos	Resultado publicado menor: 81.01%	—
Funciones y coste	Modelo base: GLM-5Andamiaje: τ² standard agent	Modelo base: Qwen3.5-397B-A17BAndamiaje: τ² standard agent
	Detalles del Agent →	Detalles del Agent →

Todos los datos y fuentes

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

Abrir fuente ↗

τ² standard agent · Qwen3.5-397B-A17B · thinking

Abrir fuente ↗

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.

← Directorio y evaluaciones de Agents