τ-bench
AssessKỹ thuật
Benchmark trước đó của Sierra để đo khả năng tác nhân hoàn chỉnh tương tác với người dùng và sử dụng công cụ.
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)
- 7The New Stack·9/9/2026researchClaude dẫn đầu benchmark mới cho các tác nhân xây dựng tác nhân
Hyper-τ-bench mới của Sierra đánh giá khả năng các tác nhân phát triển AI tự xây dựng tác nhân chăm sóc khách hàng từ dữ liệu mô phỏng doanh nghiệp. Kết quả ban đầu cho thấy Claude Opus 5 chạy trong Claude Code đứng đầu với 23,9%, trong khi cả sáu cấu hình tự động đều dưới 25% và thấp hơn nhiều so với mốc tham chiếu oracle 82,2%.