Benchmark
Tau2 Retail
communication
reasoning
text
τ²-bench retail domain evaluates conversational AI agents in customer service scenarios within a dual-control environment where both agent and user can interact with tools. Tests tool-agent-user interaction, rule adherence, and task consistency in retail customer support contexts.
Top 10
榜单概览
数据说明
分数为 0-100 百分制综合成绩（Elo 榜为相对评分，仅供同榜内比较）。评测分数属事实数据，整理自公开评测体系与厂商公开资料，部分分数为厂商自报口径，不同榜单的评测方法与数据集可能存在差异，请结合多个榜单交叉参考。
Ranking
模型排名
| 名次 | 模型 | 机构 | 分数 | 来源 |
|---|---|---|---|---|
| 1 | Claude Haiku 4.5 | Anthropic | 83.2 | 来源 |
| 2 | GPT-5 | OpenAI | 81.1 | 来源 |
| 3 | Qwen3-235B-A22B-Thinking-2507 | Alibaba Cloud / Qwen Team | 71.9 | 来源 |
| 4 | Kimi K2-Instruct-0905 | Moonshot AI | 70.6 | 来源 |
| 5 | Qwen3-Next-80B-A3B-Thinking | Alibaba Cloud / Qwen Team | 67.8 | 来源 |
| 6 | Qwen3-Next-80B-A3B-Instruct | Alibaba Cloud / Qwen Team | 57.3 | 来源 |