ALTK-Evolve 不更新权重登顶 τ²-bench 客服榜

IBM Research 在 Hugging Face 博客发文称，其 ALTK-Evolve 方法在 τ²-bench 客服任务 benchmark 的 retail 项目上超过了现有零售类提交，且未更新模型权重。做法是用驱动 agent 的同一模型 GPT-4.1，从 agent 在 τ²-bench 训练任务上的轨迹中自动提取行为准则，附加到系统提示词；agent 运行在 benchmark 自带的 ReAct scaffold 上。 据该博客，准则在训练任务轨迹上提取后，原样应用于留出的测试集；提交按 τ²-bench 要求在整个 base split（训练∪测试）上评分，以 Pass^4 报告。这些成绩目前来自 IBM Research 的自述，尚未见独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。