Sierra 开源 hyper-𝜏-bench 基准，评测模型构建智能体的能力

Sierra 发布并开源 hyper-𝜏-bench（论文名 𝜏^𝜏-bench），一个衡量模型自主构建客服智能体能力的长程评测。最佳配置 Claude Opus 5（max reasoning）在 Claude Code 中独立通过 23.9% 的保留评测任务，与深度上下文的工程师协作时达 82.2%。