τ-Emotion-Bench：评测情绪化用户下的工具调用智能体

论文作者提出 τ-Emotion-Bench，一个覆盖十个领域的基准，在任务目标不变的前提下，用受控的情绪化用户交互评测工具调用 agent，并配套推出 Tracer 数据生成流水线，通过 agent-用户-环境交互收集轨迹，允许不满用户终止低效交互以过滤过度依赖用户的样本。 作者称，用两个用户模拟器实验显示，前沿 agent 仍不可靠，平均任务成功率与持续完成任务之间存在明显差距；Tracer 生成的监督数据在不同规模的 Qwen3 模型上均带来提升，可泛化到未见领域，并迁移到 τ-Bench 和 τ-Trait。

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。