ModelRadar
/
← All benchmarks

TAU-bench

agentic · customer-workflows↗ Quelle
55Evidence
not yet measured

What it measures

Ob ein Agent mehrstufige Kundenvorgaenge korrekt abschliesst und dabei Regeln einhaelt, statt nur plausibel zu antworten.

What it does not measure

Codearbeit, Wissen, Kreativitaet.

Misst Regeltreue unter Druck, was in der Praxis oft wichtiger ist als Rohleistung.

How the score is composed

Currency50
Discrimination50
Headroom50
Contamination safety60
Gaming resistance55
Methodological rigor50
Reproducibility100

Details

Benchmaxxing risk
medium
Difficulty
high
Public test set
yes
Human-verified
no
LLM-judged
no
Skala
0–100 % pass^1 (höher besser)

Best measured models

No results ingested yet.