τ-knowledge：在真实世界知识上评估智能体

现有基准无法捕捉智能体在复杂知识库中搜索、推理和执行多步骤任务的挑战。τ-knowledge填补了这一空白，通过一个包含698份文档的金融科技知识库评估智能体。最新结果显示，GPT-5.5在最佳条件下仅通过37.4%的任务，表明仍有大量改进空间。