τ-knowledge：在真實世界知識上評估智慧體

現有基準無法捕捉智慧體在複雜知識庫中搜尋、推理和執行多步驟任務的挑戰。τ-knowledge填補了這一空白，透過一個包含698份文件的金融科技知識庫評估智慧體。最新結果顯示，GPT-5.5在最佳條件下僅透過37.4%的任務，表明仍有大量改進空間。