エージェント評価

τ²-bench Coreエージェント評価

τ²-bench Coreの表示版と環境に結び付いた公開行8件を保持します。

課題: 278
公開行: 8
情報源データ日: 2026年7月22日
ID確認日: 現在

根拠の範囲

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.

OpenGPTでの根拠の扱い

公開元の指標、課題範囲、環境、版、構成、日付を保持し、評価を横断した総合点は作りません。

比較できる範囲

高い値は表示された評価版と条件にだけ適用されます。
結果は基盤モデル単体ではなくエージェント全体を反映します。
費用、信頼性、安全性、速度の欠損値は推測しません。
OpenGPTに含まれるのは、ベンチマークv1.0.1、標準スキャフォールドとツール、同じユーザーシミュレーター、同じ基本タスク分割、4回の試行が共通する、公開元提出の8行だけです。その他のτ-bench行は対象外です。

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

公開8件のうち8件を表示します。結果は元の評価と構成に結び付いています。