τ-bench Verified (aerolínea)

Qué mide

τ-bench Verified (compañía aérea), en el cuadro de OpenRouter Benchmarks (CC BY 4.0, última versión consultada), simula a un agente de aerolínea que usa sistemas y debe seguir las políticas de la empresa hasta el final de la conversación. La nota es el porcentaje de tareas concluídas dentro de la regla.

Cuándo importa

Importa para agentes que ejecutan tareas con herramientas. Muestra si el modelo sigue la política a lo largo de varios pasos, como un asistente que consulta un reglamento interno y termina el pedido sin inventar una excepción.

Cómo leerlo

La nota es el porcentaje de conversaciones en las que el agente terminó la tarea dentro de la regla, en el cuadro de OpenRouter Benchmarks, en la última versión consultada. En una atención real, saltarse una política a mitad de camino sale caro.