行业与实践 · 研究与基准测试

研究与基准测试/2026-11-07/22 分钟

τ-bench-LILT：在真实的多语种工具使用任务上评测对话智能体

LILT 把 τ³-bench 扩成 τ-bench-LILT，覆盖德语、韩语、土耳其语和波斯语的航空、零售、电信与银行任务。八个模型里，相对英语掉分最大的是韩语和波斯语零售，pass^4 最多降 61 分。只翻译提示不够，姓名顺序、罗马化和用户模拟器都会改写排名。