#108 · 主分类： MLOps与评测
tau2-bench
τ-Bench：现实世界领域中工具-智能体-用户交互的基准测试
项目最后更新：08/27/26
GitHub Stars
1.9K
Forks数量
480
贡献者数量
13
许可证
MIT
收录理由
多数智能体评测只是丢给模型一份固定的题目，再对照答案打分。τ-Bench面对的是客服场景里更真实的混乱局面：它在零售、航空和银行领域搭建起智能体、所调用的工具与所服务的人类之间的完整对话过程。你不仅能看出回答是否正确，还能看到智能体有没有追问到位、有没有真正把问题解决掉。τ³版本把评测从纯文本扩展到了语音和知识检索场景，仓库里还附带了一个用来跑评测和打分的命令行工具，外加一个公开排行榜，让大家能在同一基准下比较模型表现。对于正在做对话智能体或工具调用产品、并且要面对真实用户的团队来说，这算得上一个顺手又实用的测试平台。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。
同类热门项目
unsloth
本地UI，用于运行和训练LLM及扩散模型。支持GGUF、MLX、Qwen3.8、Kimi K3、MiniMax-H3、Gemma 4、FLUX等。
LlamaFactory
统一高效微调100+大语言模型与视觉语言模型（ACL 2024）
airflow
Apache Airflow - 一个以编程方式编写、调度和监控工作流的平台
langfuse
🪢 开源AI工程平台：LLM评估、可观测性、指标、提示管理、游乐场、数据集。与OpenTelemetry、LangChain、OpenAI SDK、LiteLLM等集成。🍊YC W23
netron
神经网络、深度学习和机器学习模型的可视化工具