（来源：上观新闻）
第一个测🏴☠️试场景叫🙍🧨蜘蛛咬了怎么处理τ?-Bench🍿🇳🇺，模拟📆的是真⚱🔙实的客户🧣服务工作🇸🇱🇨🇲流程，分为航空📂🙍♂️公司客服和零🎄售客服两个子🔂🤛领域，🇹🇱合计164🕗个任务🙅♂️。它通过🇸🇪阅读工🎇作区目录和🇸🇹各代理返回的简短🇧🇩摘要来了解项目进👨🦱🧚♀️展，不需👓要把所有细📥💅节装进自🍬己的"脑🧢袋"🚪🧶。
它带来🤸♀️💰了两个🎷😈直接后果：㊙2️⃣对于答对的推🇻🇬理链，打分员🇵🇭在接近🔣结尾时才🏕给出高分📙🧵，导致AI的整个📖推理过🇷🇺🇳🇨程几乎收⛩不到任何1️⃣有效的👊✔激励信号；📕对于答错的🇭🇰🧜♂️推理链🐞🎁，打分员🛫在中间过程中也没🈸🇱🇹有给出足够的惩罚🇬🇦🤲，无法让A🇾🇹I知道哪🇳🇱🚐里出了问题🍅。
