研究与基准测试/2026-10-11/8 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/2026-09-30/6 分钟τ-bench 如何把「做成一次」和「每次都能做成」拆开Sierra 的 τ-bench 从 2024 年 6 月起测工具、Agent 和用户的多轮交互，并用重复成功率暴露一次通过掩盖的不稳定。它后来成为研究和行业评测的参照。
