关于Tau3分数的疑问

#4
by yche - opened

您好,关于您在Benchmark-Result里放的Tau3的分数,有一些疑问。Tau3的分数按照官方的计算方法似乎是四个榜的分数取平均,但是文档里报的分数不太像是四个子榜分数的算术平均?我们这里评的是Tau3-Banking吗

SparkLLM org

你好,感谢你对我们评测结果的关注。首先澄清一下:我们报告的 𝜏³ 分数特指 𝜏³-Banking 的评测结果,并非 4 个子任务分数的平均值。

我们采用了 Artificial Analysis 公布的 𝜏³-Banking 评测方案(https://artificialanalysis.ai/methodology/intelligence-benchmarking#tau3-banking),具体设置如下:

  • 使用上游 tau2-bench v1.0.1 的数据集和评分器,评估完整的 97 个 Banking 任务。
  • 采用 bm25_grep 检索模式。
  • 使用 GPT-5.4 Mini(中等推理强度)作为用户模拟器和自然语言断言判定器。
  • 每个任务重复运行 5 次,每次最多 200 步。“步”按照评测框架中的消息计数,包含用户模拟器的消息,而不只是被评测模型的轮次。
  • 根据后端数据库的实际状态及相关断言判定任务是否成功,最终报告全部 97 个任务、每个任务运行 5 次的平均 pass@1 分数。

I really appreciate that you can answer this in detail @pengwenzhi . Thank you

Sign up or log in to comment