GPT-5 在工具使用穩定性測試中，為何能取得 97% 的高分？

Question

GPT-5 能在極具挑戰性的工具使用基準測試 τ²-bench telecom 拿到 97% 的高分，核心原因在於它被評估的不是「會不會叫工具」，而是能否在環境狀態持續變動的情境下，把多個工具呼叫組成一條能收斂到目標的流程。這類測試通常會讓任務過程中的關鍵條件隨時間或回合而改變，使得模型必須在每一步都動態理解當前狀態，並選擇能產生正確下一步輸出的工具組合；在這種要求下，若工具串連中任何一步出現偏移，就會直接反映在任務完成度上。先前沒有模型得分超過 49%，而 GPT-5 達到 97%，表示它在跨步驟的狀態銜接上有顯著優勢，而不只是單次工具呼叫正確。

Accepted Answer

此外，該測試同時考驗「依序」與「並行」兩種工具調度方式的穩定性。依序呼叫意味著前一個工具的輸出必須被正確吸收，並作為下一個工具的輸入或決策依據；並行呼叫則要求模型能在同一時間維度下處理多個子任務的結果，避免因為先後順序混淆或結果整合失誤而導致整體流程失效。測試能以 97% 量化成功率，通常代表模型不但能在單一路徑上做對，更能在多工具協作時維持一致的任務邏輯與結果整合能力，讓最終任務在多種調度策略下都能準確完成。

閱讀紀錄

隱藏 →

此記錄會在頁面關閉後消失

GPT-5 在工具使用穩定性測試中，為何能取得 97% 的高分？

Loading

你覺得這篇文章有幫助嗎？

有幫助

沒幫助

回報問題

1

0

0

分享給好友