List your company

LLM Agent Evaluation on tau-bench Retail

64.8Pass@1EVOTOOL
12.59226.14639.753.254Mar 5, 2026Mar 14, 2026Mar 23, 2026Apr 1, 2026Apr 10, 2026Apr 19, 2026Apr 28, 2026

Evaluation results

MethodLinks
EVOTOOLBackbone=GPT-4o2026.0364.8———————————————————————————————
AdaPlannerBackbone=GPT-4o2026.0362.2———————————————————————————————
EvoPromptBackbone=GPT-4o2026.0360.8———————————————————————————————
ANYTOOLBackbone=GPT-4o2026.0360.4———————————————————————————————
ReActBackbone=GPT-4o2026.0359.8———————————————————————————————
Plan-and-SolveBackbone=GPT-4o2026.0358.4———————————————————————————————
OPROBackbone=GPT-4o2026.0358.2———————————————————————————————
PromptBreederBackbone=GPT-4o2026.0356.4———————————————————————————————
EASYTOOLBackbone=GPT-4o2026.0351.2———————————————————————————————
DRAFTBackbone=GPT-4o2026.0348.4———————————————————————————————
FAMABackbone Model=Qwen2.5-72B-Instruct2026.0444.17—28.17——————————————————————————34.2630.2626.95
ReActBackbone Model=Qwen2.5-72B-Instruct2026.0443.47—23.13——————————————————————————32.2626.6920.86
FAMABackbone Model=Qwen3-32B2026.0440.5—15.3——————————————————————————26.919.912.2
IRMABackbone Model=Qwen2.5-72B-Instruct2026.0438.78—20.34——————————————————————————27.7322.9519.13
ReActBackbone Model=Qwen3-32B2026.0438—15.3——————————————————————————2518.810
FAMABackbone Model=Qwen3-14B2026.0437.9—16.3——————————————————————————25.719.714.7
EVOTOOLBackbone=Qwen3-8B2026.0335.9———————————————————————————————
FCBackbone Model=Qwen3-32B2026.0435—13.1——————————————————————————26.61511
AdaPlannerBackbone=Qwen3-8B2026.0334.8———————————————————————————————
FAMABackbone Model=Qwen3-4B-Instruct2026.0434.6—16.3——————————————————————————24.119.313.9
CoTBackbone=GPT-4o2026.0334.2———————————————————————————————
EvoPromptBackbone=Qwen3-8B2026.0333.8———————————————————————————————
ReActBackbone=Qwen3-8B2026.0333.1———————————————————————————————
FCBackbone Model=Qwen3-14B2026.0432.6—15——————————————————————————221813
Plan-and-SolveBackbone=Qwen3-8B2026.0332———————————————————————————————
OPROBackbone=Qwen3-8B2026.0331.9———————————————————————————————
PromptBreederBackbone=Qwen3-8B2026.0330.6———————————————————————————————
IRMABackbone Model=Qwen3-4B-Instruct2026.0428.86—10.95——————————————————————————17.4713.139.56
IRMABackbone Model=Qwen3-14B2026.0428.5—8.3——————————————————————————15.610.86.9
IRMABackbone Model=Qwen3-32B2026.0426.9—8.5——————————————————————————15.210.96.9
ReActBackbone Model=Qwen3-14B2026.0425.2—13.2——————————————————————————17.814.712.1
FCBackbone Model=Qwen3-4B-Instruct2026.0424.9—10.6——————————————————————————16.7139
ANYTOOLBackbone=Qwen3-8B2026.0323.5———————————————————————————————
EASYTOOLBackbone=Qwen3-8B2026.0320.9———————————————————————————————
FCBackbone Model=Qwen2.5-72B-Instruct2026.0419.65—5.21——————————————————————————10.346.784.34
DRAFTBackbone=Qwen3-8B2026.0317.8———————————————————————————————
ReActBackbone Model=Qwen3-4B-Instruct2026.0417.22—9.57——————————————————————————12.3510.618.7
CoTBackbone=Qwen3-8B2026.0314.6———————————————————————————————
ARESStrategy=Adaptive Selection, Backbone LLM=gpt-oss-20b2026.03————————————————————54.8—14.6652—5,677—388————
GPT-5k=42026.03—795823.9123.67.871.2985.3611998989183999723111————————————
Kimi-K2k=42026.03—613123.829.46.669.6895.236791947380979167111————————————
Mistralk=42026.03—684627.629.37.989.2867.058085985066935923111————————————
Prompting-Based (Gemini 3 Pro)Strategy=Prompting-Based, Model=Gemini 3 Pro, Backbone LLM=gpt-oss-20b2026.03————————————————————46.18.714.71285241,1154,56276312———
Prompting-Based (GPT 5)Strategy=Prompting-Based, Model=GPT 5, Backbone LLM=gpt-oss-20b2026.03————————————————————4014.8141325201,1484,52981307———
Rule-Based (High)Strategy=Rule-Based, Effort Level=High, Backbone LLM=gpt-oss-20b2026.03————————————————————54.8013.81,0073558,7563,079634246———
Rule-Based (Low)Strategy=Rule-Based, Effort Level=Low, Backbone LLM=gpt-oss-20b2026.03————————————————————3519.813.5256272235,45415373———
Rule-Based (Medium)Strategy=Rule-Based, Effort Level=Medium, Backbone LLM=gpt-oss-20b2026.03————————————————————47.37.514.51375151,1984,47982306———
Rule-Based (Random)Strategy=Rule-Based, Effort Level=Random, Backbone LLM=gpt-oss-20b2026.03————————————————————43.511.314.53592933,1262,550215172———