τ²-bench
AssessCông cụ
Bộ benchmark dùng để đánh giá tác nhân chăm sóc khách hàng bị ràng buộc bởi chính sách trong các nhiệm vụ sát thực tế.
Vì sao ở đây
Xếp vào Assess: 1 bài bằng chứng từ 1 nguồn, chủ yếu là tin nghiên cứu, 1 bài trong 30 ngày qua. Độ tin cậy 24%. Bằng chứng còn ít nên xếp thận trọng, chờ thêm tín hiệu.
Bằng chứng (1)
- 7Hugging Face Blog·20/10/2026researchALTK-Evolve đứng đầu τ²-bench mảng bán lẻ mà không cần cập nhật trọng số
Các nhà nghiên cứu IBM cho biết ALTK-Evolve dùng cơ chế bộ nhớ học được để cải thiện tác nhân chăm sóc khách hàng chạy GPT-4.1 và vươn lên dẫn đầu bảng xếp hạng τ²-bench mảng bán lẻ. Phương pháp này chắt lọc các lần thử thành công và thất bại thành các hướng dẫn ngắn được thêm vào system prompt, không cần cập nhật trọng số mô hình hay gán nhãn thủ công.