ALTK-Evolve: Öğrenilmiş hafıza, sınır modeli olmadan müşteri hizmetleri görevlerinde τ²-bench liderlik tablosunun zirvesine nasıl yerleşiyor
Özgün başlık: ALTK-Evolve: How learned memory tops the τ²-bench leaderboard on customer service tasks without a frontier model
ALTK-Evolve, GPT-4.1'i kullanarak bir taktik kitabı öğrenir ve uygular; model ağırlıklarını güncellemeden, bir müşteri hizmetleri temsilcisi kıyaslaması olan τ²-bench'teki perakende girişlerinden daha iyi performans gösterir.
Daha eski, mantıksız bir model olan GPT-4.1'i kullanan temel bir müşteri hizmetleri temsilcisi, τ² tezgahlı perakende satışta %67,5 Geçiş^4'e ulaşır; bu da görevlerin %67,5'i için dört bağımsız denemenin tamamında görevi çözdüğü anlamına gelir. 12 Ekim 2026 liderlik tablosu anlık görüntümüzdeki tüm perakende girişlerinin üzerinde puan alıyor. Karşılaştırmalı değerlendirmenin stok ReAct iskelesi üzerinde çalışır ve öğrenilmiş yönergeler sistem istemine eklenir.
ALTK-Evolve bu taktik kitabını GPT-4.1'i kullanarak oluşturuyor. Temsilcinin eğitim görevi girişimlerini analiz eder ve başarıları ve başarısızlıkları kısa davranış kurallarına ayırmak için modeli kullanır: bir müşterinin kimliğinin nasıl doğrulanacağı, bir işlemin nasıl onaylanacağı veya bir iadenin nasıl ele alınacağı.
ALTK-Evolve learns and applies a playbook using GPT-4.1, outperforming the retail entries on τ²-bench, a customer service agent benchmark—without updating model weights.
Using GPT-4.1, an older, non-reasoning model, a basic customer-service agent reaches 67.5% Pass^4 on τ²-bench retail — meaning it solves the task on all four independent attempts for 67.5% of tasks. It scores above every retail entry in our October 12, 2026 leaderboard snapshot. It runs on the benchmark's stock ReAct scaffold, with learned guidelines appended to its system prompt.
ALTK-Evolve builds that playbook using GPT-4.1. It analyzes the agent's training-task attempts and uses the model to distill successes and failures into short behavioral rules: how to authenticate a customer, confirm a transaction, or handle a return.
ALTK-Evolve aprende y aplica un manual de estrategias utilizando GPT-4.1, superando a las entradas minoristas en τ²-bench, un punto de referencia para agentes de servicio al cliente, sin actualizar los pesos del modelo.
Usando GPT-4.1, un modelo más antiguo y sin razonamiento, un agente de servicio al cliente básico alcanza un 67,5 % de Aprobado^4 en el comercio minorista de τ², lo que significa que resuelve la tarea en los cuatro intentos independientes para el 67,5 % de las tareas. Obtiene una puntuación superior a todas las entradas minoristas en nuestra instantánea de la tabla de clasificación del 12 de octubre de 2026. Se ejecuta en el andamio ReAct estándar del punto de referencia, con pautas aprendidas adjuntas al indicador del sistema.
ALTK-Evolve crea ese libro de jugadas utilizando GPT-4.1. Analiza los intentos de tareas de capacitación del agente y utiliza el modelo para resumir los éxitos y fracasos en reglas de comportamiento breves: cómo autenticar a un cliente, confirmar una transacción o manejar una devolución.
ALTK-Evolve изучает и применяет сценарий с использованием GPT-4.1, превосходя показатели розничной торговли на τ²-bench, эталонном тесте агентов по обслуживанию клиентов, без обновления весов модели.
Используя GPT-4.1, более старую модель, не требующую рассуждений, базовый агент по обслуживанию клиентов достигает 67,5% прохода^4 в розничной торговле τ²-bench — это означает, что он решает задачу со всеми четырьмя независимыми попытками для 67,5% задач. В нашем снимке таблицы лидеров от 12 октября 2026 года он превосходит все записи розничной торговли. Он работает на стандартной платформе ReAct для эталонного теста, а к системной подсказке добавляются изученные рекомендации.
ALTK-Evolve создает эту книгу с использованием GPT-4.1. Он анализирует попытки агента выполнить задачу обучения и использует модель для разделения успехов и неудач на короткие поведенческие правила: как аутентифицировать клиента, подтвердить транзакцию или обработать возврат.