sierra-research/tau2-bench

tau2-bench 用模拟用户、代理和业务工具评测客服式多轮任务，领域包括航空、零售、电信和银行，并支持文本半双工与语音全双工。仓库披露 tau3 版本修正银行领域错误、调整 75 项以上任务，修订前后成绩不可直接比较。这种版本说明很重要：交互基准的环境 bug 和任务措辞足以改变排行榜，不能只锁模型而忽略评测器版本。