ALTK-Evolve 让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜

IBM Research 在 Hugging Face 博客发布 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为准则并追加到系统提示词，无需更新模型权重或人工标注。 据其公布的结果，使用非推理模型 GPT-4.1 的基础客服智能体在 τ²-bench 零售任务上达到 67.5% Pass^4，高于其 2026 年 10 月 12 日排行榜快照中的所有零售条目。评测采用 τ²-bench 自带的 ReAct 智能体实现（THINK → ACT 两阶段），GPT-4.1 作智能体模型、GPT-5.5 作客户模拟模型，每任务 4 次试验，按基准要求在完整 base split（train ∪ test）上计分。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。