ALTK-Evolve 不调权重登顶 τ²-bench 零售榜

IBM Research 的 ALTK-Evolve 让 GPT-4.1 驱动的客服智能体在 τ²-bench 零售任务上取得 Pass^4 67.5%，高于榜单上所有零售条目，也高于微调模型 RAFT-30B-A3B 的 61.4%。该方法不更新模型权重，而是从智能体自身的任务轨迹中提炼行为准则，追加到系统提示词中。 测试沿用 τ²-bench 自带的基础 ReAct 框架（THINK→ACT 两阶段），以 GPT-4.1 作智能体模型、GPT-5.5 作客户模拟模型，每个任务跑 4 次；按 τ²-bench 要求在全量 base split（train ∪ test）上评分，指标为 Pass^4。 据 Hugging Face 博客介绍，准则块在每次调用中相同，生产环境中这部分开销大部分可通过提示缓存回收。

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。