ALTK-Evolve 让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜

IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。据其介绍，使用 GPT-4.1 的基础客服智能体在 τ²-bench 零售任务上达到 67.5% Pass^4，超过该榜单上的零售条目。 评测沿用 τ²-bench 自带的 ReAct 智能体实现（THINK→ACT 两阶段循环），智能体模型为 gpt-4.1、客户模拟器为 gpt-5.5，每任务 4 次试验；按 τ²-bench 要求在全量 base split（训练集与测试集合并）上计分，指标为 Pass^4。 上述成绩与排名均为 IBM Research 自述，尚未见独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。