Sierra выпустила бенчмарк τ-bench для оценки работы и надёжности ИИ-агентов в реальных сценариях
Оригинальный заголовок:𝜏-Bench: Benchmarking AI agents for the real-world
ИИ-резюме
Исследовательская команда Sierra AI выпустила бенчмарк τ-bench (домены τ-retail и τ-airline), который через многораундовое динамическое взаимодействие LLM-симулированных пользователей с API инструментов оценивает способность агентов выполнять сложные задачи с соблюдением доменных политик, и предложила метрику надёжности pass^k.
Ключевые моменты
- Исследовательская команда Sierra AI выпустила бенчмарк τ-bench (домены τ-retail и τ-airline)
- который через многораундовое динамическое взаимодействие LLM-симулированных пользователей с API…
- и предложила метрику надёжности pass^k.
Кратко
- Опубликовано
- Обновлено
- Источник
- Sierra:Blog(RSS)
- Категория
- Статьи и исследования
- Оценка ИИ
- 63
原文由团队自述基准设计动机与结果,读者可借此了解现有 Agent 评测在多轮动态交互和可靠性衡量上的缺口。
Источник и авторские права
Статья основана на отобранных заголовках и ИИ-резюме из открытого API AIHOT с указанием источника и обратными ссылками. Авторские права на оригинал принадлежат исходным изданиям и авторам; сайт не воспроизводит полные тексты.
Как цитировать
При цитировании сохраняйте заголовок, дату и постоянную ссылку, указывая источник: Orange News.
Orange News: Sierra выпустила бенчмарк τ-bench для оценки работы и надёжности ИИ-агентов в реальных сценариях. 21 июня 2024. https://new.nat6.net/ru/news/dnjp1m2isjqcspa7fy1kw92qo/