τ³-Bench

Sierra τ-bench 家族第三代（含 banking 等域）

基本信息

30 秒看懂

Sierra τ-bench 家族第三代（随 tau2-bench 仓库发布），在 airline/retail/telecom/banking_knowledge 等域模拟客服对话，按任务通过率计分，另有语音全双工形态；v1.0.1 修复了 banking 部分题目，此前成绩与之后不可直接比。

评分协议

这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。

模型发布采用时间轴

共收录 3 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-09-19 StepFun / 阶跃星辰·国内

Step 5 Preview

参数600B total / 27B active MoE上下文1M模态文本·图像

阶跃星辰发布的旗舰基座模型 Step 5 Preview，面向真实世界 Agentic 任务，在编程、软件工程、专业工作与金融方向上达到前沿水平。AA Intelligence Index 44 分；DeepSWE v1.1 67.7%、Terminal-Bench v2.1 85.0%、StepCodeBench 49.0%、FrontierFinance 66.4%、GDPval-AA v2 1571；模型将于 2026-10-15 正式开源。

稀疏 MoE 600B/27B1M 上下文视觉输入Agentic 长程任务

查看模型变体与证据

Banking 42.5%

2026-08-10 Meta / Llama·国际

Muse Glimmer 30B

参数29.6B（dense）+ 1.8B ViT模态文本·图像

Muse Glimmer 30B 被 Meta 定位为可在消费级设备上运行的开源代理模型（Apache 2.0，由 Muse Spark 蒸馏，24-32GB 显存可跑）。评测覆盖通用代理、代理编码、多模态与安全：MCP Atlas 75.5%、SWE-bench Verified 76.0%、AIME 2026 94.7%；另提供 K-Quant 量化档与 DFlash 投机解码加速。

开源权重端侧可运行代理增强多模态

查看模型变体与证据

τ³-Bench 23.5%

2026-04-07 Z.ai / 智谱 GLM·国内

GLM-5.1

模态文本

GLM-5.1 被 z.ai 定位为面向长程任务（Towards Long-Horizon Tasks）的代理工程旗舰，强调数百轮持续优化与长时程任务能力。评测集中在推理、编码与代理三类：SWE-Bench Pro 58.4、Terminal-Bench 2.0（Terminus-2）63.5、BrowseComp（w/ 上下文管理）79.3、HLE w/ Tools 52.3。

开源权重长程任务代理工程

查看模型变体与证据

τ³-Bench 70.6

数据缺口（本页暂未收录）

• 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
• 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
• 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
• 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
• 测试集污染检测结论，以及是否已饱和的结构化标注

以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。

复现入口

相关评测（同类别）

引用

本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。