List your company

LLM Agent Evaluation on tau-bench Airline

78Pass@4NoisyAgent
-0.62419.78840.260.612Mar 3, 2026Mar 17, 2026Mar 31, 2026Apr 14, 2026Apr 28, 2026May 12, 2026May 26, 2026

Evaluation results

MethodLinks
NoisyAgentbackbone=Qwen3-32B2026.0578———————————————————————————————49.5
DAPObackbone=Qwen3-32B2026.0576———————————————————————————————47.5
GSPObackbone=Qwen3-32B2026.0574———————————————————————————————46.5
GRPObackbone=Qwen3-32B2026.0572———————————————————————————————45
NoisyAgentbackbone=Qwen3-8B2026.0568———————————————————————————————40
DAPObackbone=Qwen3-8B2026.0566———————————————————————————————38
Qwen3-32Bbackbone=Qwen3-32B2026.0566———————————————————————————————38
GSPObackbone=Qwen3-8B2026.0564———————————————————————————————37.5
GRPObackbone=Qwen3-8B2026.0562———————————————————————————————36.5
Qwen3-8Bbackbone=Qwen3-8B2026.0552———————————————————————————————27
GPT-5k=42026.03446023.1146.78.767945.2713197968488939930111——————————————
Kimi-K2k=42026.03284823.250.2773.1764.586391927781969170111——————————————
FAMABackbone Model=Qwen3-4B-Instruct2026.0426.7———————————————————————————37.63228.326—
ReActBackbone Model=Qwen3-4B-Instruct2026.0426.4———————————————————————————322826.826—
IRMABackbone Model=Qwen3-14B2026.0419.6———————————————————————————36.426.42218—
Mistralk=42026.03184023.225.67.669.3895.769174993649794528111——————————————
FAMABackbone Model=Qwen3-32B2026.0418———————————————————————————26.82018.418—
FAMABackbone Model=Qwen2.5-72B-Instruct2026.0418———————————————————————————29.221.218.818—
FAMABackbone Model=Qwen3-14B2026.0416.6———————————————————————————36.823.7918.216—
FCBackbone Model=Qwen3-4B-Instruct2026.0415.2———————————————————————————27.619.91714—
ReActBackbone Model=Qwen3-32B2026.0414.8———————————————————————————30.42016.214—
IRMABackbone Model=Qwen3-4B-Instruct2026.0413.2———————————————————————————3019.615.412—
ReActBackbone Model=Qwen2.5-72B-Instruct2026.0412.8———————————————————————————24.418.7915.610—
IRMABackbone Model=Qwen2.5-72B-Instruct2026.0411.6———————————————————————————26.416.713.610—
FCBackbone Model=Qwen3-32B2026.0410.8———————————————————————————17.613.61210—
IRMABackbone Model=Qwen3-32B2026.0410———————————————————————————24.415.912.48—
ReActBackbone Model=Qwen3-14B2026.048.4———————————————————————————18.4129.48—
FCBackbone Model=Qwen3-14B2026.048———————————————————————————149.68.48—
FCBackbone Model=Qwen2.5-72B-Instruct2026.042.4———————————————————————————15.27.642—
ARESStrategy=Adaptive Selection, Backbone LLM=gpt-oss-20b2026.03———————————————————36—12.3678—13,577—1,100——————
Prompting-Based (Gemini 3 Pro)Strategy=Prompting-Based, Model=Gemini 3 Pro, Backbone LLM=gpt-oss-20b2026.03———————————————————36012.62394394,7798,798379721—————
Prompting-Based (GPT 5)Strategy=Prompting-Based, Model=GPT 5, Backbone LLM=gpt-oss-20b2026.03———————————————————34212.43962827,9275,650641459—————
Rule-Based (High)Strategy=Rule-Based, Effort Level=High, Backbone LLM=gpt-oss-20b2026.03———————————————————38210.687319517,4723,8951,654554—————
Rule-Based (Low)Strategy=Rule-Based, Effort Level=Low, Backbone LLM=gpt-oss-20b2026.03———————————————————32410.81266625013,327231,077—————
Rule-Based (Medium)Strategy=Rule-Based, Effort Level=Medium, Backbone LLM=gpt-oss-20b2026.03———————————————————42613.2985801,96111,616148952—————
Rule-Based (Random)Strategy=Rule-Based, Effort Level=Random, Backbone LLM=gpt-oss-20b2026.03———————————————————34213.552115710,4373,140770330—————