IBM Research 团队提出 ALTK-Evolve，用 GPT-4.1 分析智能体在 τ²-bench 训练任务上的成功与失败轨迹，把经验蒸馏成简短行为准则并追加到 system prompt，无需更新权重或人工标注。该方法在 τ²-bench 零售与航空客服任务上的 Pass^4 成绩超过了该榜的零售类提交。
按 Hugging Face Blog 说明，系统运行在基准原生的 ReAct 脚手架上；提取准则与执行任务的智能体是同一个 GPT-4.1 模型；准则从训练任务轨迹中提取后，原样用于留出的测试集。评测按 τ²-bench 要求覆盖 train ∪ test 完整基础划分，并以 Pass^4 计分。
AI 根据报道生成 · 1 小时前更新