IBM Research提出ALTK-Evolve：不更新权重，让客服智能体在τ²-bench零售任务榜单登顶

OmniTools 10月20日消息，IBM Research团队在Hugging Face博客发布ALTK-Evolve方法，让一个基于GPT-4.1的基础ReAct客服智能体在不更新模型权重的前提下，登上τ²-bench客服任务榜单，成绩高于2026年10月12日榜单快照中的所有零售条目。该基准来自Sierra，每项任务包含一个由大模型模拟的客户、一组领域工具和一份智能体必须遵守的政策文档；只有当最终数据库状态与预期一致，任务才算解决。

方法上，ALTK-Evolve用与智能体相同的GPT-4.1分析其在训练任务上的轨迹，把成功与失败经验蒸馏为简短的行为准则（如先完成客户身份验证、执行任何改库操作前须取得明确确认），再作为普通Markdown列表追加到系统提示中的政策之后。整个流程无需权重更新，也无需人工标注；除这段准则外，政策、工具和脚手架均为τ²-bench原版。

数据显示，使用GPT-4.1时，零售任务Pass^4从基线57.5%升至67.5%，平均准确率从78.1%升至82.5%；航空任务平均准确率从57.5%升至65.0%，Pass^4从35.0%升至45.0%。准则数量需按领域调整：零售任务中“全量准则”表现最好，航空任务中仅保留支持度≥3的14条高置信准则反而更可靠（Pass^4为45%，全量准则为40%）。

成本方面，性能提升主要来自提示输入token增加，并非对话变长：零售每对话成本从0.084美元升至0.139美元（+65%），航空从0.081美元升至0.107美元（+32%），而匹配任务的助手轮次反而减少约0.3–0.4轮。团队还用GPT-5.5同时作为智能体和准则提取模型重跑航空任务，准确率从72.5%升至82.5%，Pass^4从55.0%升至70.0%，说明前沿模型同样能从学习到的准则中获益。