OpenGPTDecisiones de modelos basadas en evidenciaConfiguración de Agent · τ²-bench Core
τ² standard agent · GLM-5 · thinking
El objeto clasificado: modelo, andamiaje, herramientas, permisos, presupuesto y entorno en conjunto.
01
Configuración
02
Resultado
03
Operación
04
Confianza
Nota sobre la evidencia
Solo se incluyen las ocho filas enviadas por el editor que comparten la prueba de referencia v1.0.1, la estructura y las herramientas estándar, el simulador de usuario, las divisiones de tareas base y el protocolo de cuatro ensayos. Las demás filas de τ-bench quedan fuera de este alcance.
Abrir auditoría ↗Qué no demuestra este resultado
Este resultado se aplica al sistema exacto y a las condiciones de la fuente que se muestran aquí. No establece que exista un Agent universalmente superior ni demuestra fiabilidad en producción, gobernanza de datos o rendimiento con una versión diferente del benchmark.
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.