Benchmark
TAU-bench Airline
reasoning
communication
text
Part of τ-bench (TAU-bench), a benchmark for Tool-Agent-User interaction in real-world domains. The airline domain evaluates language agents' ability to interact with users through dynamic conversations while following domain-specific rules and using API tools. Agents must handle airline-related tasks and policies reliably.
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 Sonnet 4.5 | Anthropic | 70.0 | 来源 |
| 2 | GLM-4.5-Air | Zhipu AI | 60.8 | 来源 |
| 3 | GLM-4.5 | Zhipu AI | 60.4 | 来源 |
| 4 | Claude Opus 4.1 | Anthropic | 56.0 | 来源 |
| 5 | Qwen3-Next-80B-A3B-Thinking | Alibaba Cloud / Qwen Team | 49.0 | 来源 |
| 6 | Qwen3-235B-A22B-Thinking-2507 | Alibaba Cloud / Qwen Team | 46.0 | 来源 |
| 7 | Qwen3-Next-80B-A3B-Instruct | Alibaba Cloud / Qwen Team | 44.0 | 来源 |