ALTK-Evolve:无需模型权重更新,仅靠学习型记忆在τ²-bench客服基准测试中登顶
IBM研究院提出ALTK-Evolve方法,通过GPT-4.1自动从自身任务轨迹中提炼结构化行为指南(如身份认证、退款确认等),以纯提示工程方式注入ReAct代理系统,在不更新模型权重、不依赖人工标注的前提下,显著提升客服任务的准确率与可靠性;其零售分支以67.5% Pass⁴成绩位列τ²-bench 2026年10月12日榜单第一,超越所有前沿模型及微调系统。
保留完整资讯流,用来源、主题和时间找到你关心的消息。
IBM研究院提出ALTK-Evolve方法,通过GPT-4.1自动从自身任务轨迹中提炼结构化行为指南(如身份认证、退款确认等),以纯提示工程方式注入ReAct代理系统,在不更新模型权重、不依赖人工标注的前提下,显著提升客服任务的准确率与可靠性;其零售分支以67.5% Pass⁴成绩位列τ²-bench 2026年10月12日榜单第一,超越所有前沿模型及微调系统。
打开 TTS 领导板: 多种语言文字对语音和语音克隆的可扩展评价
联合王国AISI和EvalEval如何创造基准成果
OpenAI概述了共享全球AI标准的途径,要求协调评价,报告和治理,以改善安全.
开放 ASR 领导板添加其首个全球南方语言
在语音识别方面衡量基准优化
介绍FASR领导板:真实世界中ASR的基准