τ-bench

概述

τ-bench（Tau Bench）是一个用于评估对话式 AI 智能体的基准测试，这些智能体通过领域特定的 API 工具和策略指南与用户交互。它模拟动态的多轮对话，其中语言模型同时扮演用户和智能体的角色。

任务描述

• 任务类型：对话智能体评估

• 输入：具有特定目标和约束条件的用户场景

• 输出：通过 API 工具调用执行智能体动作以完成任务

• 领域：航空客户服务、零售客户服务

主要特性

• 使用 LLM 模拟用户的动态对话仿真

• 领域特定的 API 工具和策略指南

• 真实的客户服务场景

• 测试多轮对话能力

• 评估工具使用和策略合规性

评估说明

• 需要安装：pip install git+https://github.com/sierra-research/tau-bench

• 用户模型配置：需设置用户模拟模型

• 主要指标：基于任务完成奖励的 准确率（Accuracy）

• 支持 航空（airline） 和 零售（retail） 领域

• 使用 pass^k 聚合方法（mean_and_pass_hat_k）进行鲁棒性评估：即 所有 k 次任务尝试均成功的概率，如 τ-bench 论文中所定义。这比 pass@k（仅要求 k 次尝试中至少有一次成功）更为严格。设置 repeats=k 即可启用该评估方式。

• 使用示例

属性

属性	值
基准测试名称	tau_bench
数据集 ID	tau-bench
论文	N/A
标签	Agent, FunctionCalling, Reasoning
指标	accuracy
默认示例数	0-shot
评估划分	test
聚合方法	mean_and_pass_hat_k

数据统计

统计数据不可用。

样例示例

样例示例不可用。

提示模板

未定义提示模板。

额外参数

参数	类型	默认值	描述
user_model	str	qwen-plus	用于在环境中模拟用户的模型。
api_key	str	EMPTY	用户模型后端的 API 密钥。
api_base	str	https://dashscope.aliyuncs.com/compatible-mode/v1	用户模型 API 请求的基础 URL。
generation_config	dict	{'temperature': 0.0}	用户模型模拟的默认生成配置。

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets tau_bench \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['tau_bench'],
    dataset_args={
        'tau_bench': {
            # extra_params: {}  # 使用默认额外参数
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)