行业与实践 · 研究与基准测试

我们自己跑的基准，和对公开数据的核对。结论附带方法与局限。

研究与基准测试2026-10-118 分钟
τ³-Bench：把智能体基准评测推进到知识与语音
Sierra 发布 τ³-Bench。知识任务上，最好的前沿模型只完成约 25%；即便给到正确文档，也只有 40%。现实噪声和打断下，语音完成率落到 26%–38%。
研究与基准测试2026-09-188 分钟
问「最新」并不等于只留最新：腾讯云把明确年份和模糊时间拆开
腾讯云时效性检索按知识有效时间处理召回。明确年份会过滤；「最新」在生效逻辑里是加权排序，历史文档仍可能回来。页面没有召回率。AgenticRAGSearch 不用开开关，注意事项又写关闭则整条逻辑不生效。
研究与基准测试2026-08-218 分钟
反思轮数默认 3：腾讯云把检索不准时的重查封顶在 10
腾讯云智能体开发平台的 Agentic RAG 用反思轮数限制「查完再查」。取值 0 到 10，默认 3。0 轮退回单次检索。页面按四档写准确度和 Token，但没有命中率、延迟或对照实验。