τ^2-Bench: Оценка диалоговых агентов в среде с двойным управлением

τ^2-Bench: Evaluating Conversational Agents in a Dual-Control Environment

June 9, 2025

Авторы: Victor Barres, Honghua Dong, Soham Ray, Xujie Si, Karthik Narasimhan

cs.AI

Аннотация

Существующие эталонные тесты для диалоговых ИИ-агентов моделируют среды с единым управлением, где только ИИ-агент может использовать инструменты для взаимодействия с миром, в то время как пользователь остается пассивным поставщиком информации. Это отличается от реальных сценариев, таких как техническая поддержка, где пользователям необходимо активно участвовать в изменении состояния (общего) мира. Чтобы устранить этот разрыв, мы представляем tau^2-bench, который включает четыре ключевых аспекта: 1) Новую телекоммуникационную область с двойным управлением, смоделированную как Dec-POMDP, где и агент, и пользователь используют инструменты для действий в общей динамической среде, что проверяет как координацию, так и коммуникацию агента, 2) Композиционный генератор задач, который программно создает разнообразные, проверяемые задачи из атомарных компонентов, обеспечивая охват области и контролируемую сложность, 3) Надежный симулятор пользователя, тесно связанный с окружением, чье поведение ограничено инструментами и наблюдаемыми состояниями, что повышает точность симуляции, 4) Детальный анализ производительности агента с помощью множественных абляций, включая разделение ошибок, возникающих из-за рассуждений, и ошибок коммуникации/координации. В частности, наши эксперименты показывают значительное снижение производительности, когда агенты переходят от режима без пользователя к двойному управлению, что подчеркивает сложности в руководстве пользователями. В целом, tau^2-bench предоставляет контролируемую тестовую среду для агентов, которые должны как эффективно рассуждать, так и направлять действия пользователей.

English

Existing benchmarks for conversational AI agents simulate single-control environments, where only the AI agent can use tools to interact with the world, while the user remains a passive information provider. This differs from real-world scenarios like technical support, where users need to actively participate in modifying the state of the (shared) world. In order to address this gap, we introduce tau^2-bench, with four key contributions: 1) A novel Telecom dual-control domain modeled as a Dec-POMDP, where both agent and user make use of tools to act in a shared, dynamic environment that tests both agent coordination and communication, 2) A compositional task generator that programmatically creates diverse, verifiable tasks from atomic components, ensuring domain coverage and controlled complexity, 3) A reliable user simulator tightly coupled with the environment, whose behavior is constrained by tools and observable states, improving simulation fidelity, 4) Fine-grained analysis of agent performance through multiple ablations including separating errors arising from reasoning vs communication/coordination. In particular, our experiments show significant performance drops when agents shift from no-user to dual-control, highlighting the challenges of guiding users. Overall, tau^2-bench provides a controlled testbed for agents that must both reason effectively and guide user actions.