τ²-benchSierra Research
在用户与 agent 共同改变环境的任务中，检验工具调用与协作可靠性。
工具调用工具调用用户协作
持续演进
更好的判断，始于更好的理解。
FOR PEOPLE BUILDING WITH AGENTS终端里的表现，
才是 Agent 的实战。
Terminal-Bench 4.0：把模型、工具与执行放在一起看。
理解这项评测分数之外，
你还应该看什么？
版本、harness、预算、污染风险。
读懂排行榜之前，先问这几个问题。
探索 Benchmark10
从你的任务出发，找到真正有参考价值的评测。
官方来源核验方法与局限说明没有付费排名 · 不合成跨榜总分
好评测，不该埋在信息流里。
发现一个值得关注的 Benchmark？帮助更多人找到它。