OpenGPT以資料為基礎的模型選擇Agent 配置 · τ²-bench Core
τ² standard agent · Gemini 3 Flash Preview · high
榜單評估的完整對象，包括模型、框架、工具、權限、預算與執行環境。
平均 Pass¹83.49%
每次成功成本未公布
來源公布的結果範圍未公布
01
配置
Agent 系統τ² standard agent · Gemini 3 Flash Preview · high
基礎模型Gemini 3 Flash Preview
來源模型 ID 或名稱Gemini 3 Flash Preview · high
Agent 框架τ² standard agent
Agent 框架版本v1.0.1
工具Standard retail, airline, and telecom domain tools
執行環境標準 Agent 與領域工具，共用 GPT-5.2 low 推理使用者模擬器
預算每項工作 4 次試驗 · 每個配置 1,112 條軌跡
02
結果
平均 Pass¹83.49%
部分完成分未公布
每次成功成本未公布
來源公布的評測總成本未提供
完成時間中位數未公布
人工介入率未公布
03
執行情況
重複執行證據4 次執行
來源公布的結果範圍未公布
安全提示未公布
可比較組tau2-v1-0-1-base-standard-gpt-5-2-low-4-trials
評測日期
資料取得日期
04
可信度
證據狀態已列入基準官方榜單
資料來源Sierra Research · τ²-bench
資料快照v1.0.1 · 標準 Agent · GPT-5.2 low 使用者模擬器 · 4 次試驗
來源資料日來源未公布日期
OpenGPT 取得時間
排名最後變化暫無可比歷史
最近核查
工作數278 零售、航空與電信基礎工作
證據等級發布方維護
證據說明
只收錄評測 v1.0.1、標準框架與工具、使用者模擬器、基礎工作集與四次試驗條件完全一致的 8 筆發布方資料；其他τ-bench 記錄不在此範圍內。
稽核說明 ↗此結果不能說明什麼
結果只適用於此處顯示的完整系統與來源條件，不能證明萬用 Agent、正式環境可靠性、資料治理或其他版本的表現。
資料來自公開來源，缺少項目保持未知。
採用前做一次真實驗證
公開榜單用於縮小候選範圍，是否適合你的工作，需要透過小規模私有測試確認。
- 1
選擇 10–20 個代表性工作，並寫清通過條件。
- 2
測試前鎖定 Agent、模型、工具、權限與預算。
- 3
重要工作重複執行，記錄成功率、成本、時間與人工接管。
- 4
檢查失敗案例與資料風險後，再決定是否正式採用。