Δτ-Bench：工具生态持续演化下最强模型任务成功率为42.3%

浙江大学与 UCL 团队提出可执行智能体基准 Δτ-Bench，用于评测工具生态持续演化下的任务适应能力。基准包含 1,588 个多轮任务，覆盖 42 个领域与 6 个连续演化状态，最强模型或 harness 的任务成功率为 42.3%。团队同时提出 Steward，通过增量技能维护和动态工具供给管理工具与程序性知识。