关于 tau-bench 的报道

本文提出选择感知语义压力测试(SASST)，将工作流与任务类型选择分离到发现/确认两阶段，避免同一数据同时筛选结论。四十集群审计显示高斯覆盖不足；tau-bench 480 episode实验中，3.75点发现优势在确认阶段消失。这意味着此前多数代理评测的“优势结论”可能源于选择性偏差，评估范式需从单基准搜索转向联合验证。