顧客対応・航空券予約・小売返品など実務シナリオを再現し、AI エージェントがルールを守りながらツール呼び出しと複数ターン対話で完遂できるかを採点します。
ベンチマーク
254
TAU-Bench
タウベンチ
体験区分：調査ベース
推奨読者レベル：Level 2
何をしてくれるか
どこで出会うか
エージェント系モデルの発表や比較記事で SWE-Bench と並んで引用されます。「ビジネス寄りの難しさ」を示す指標として研究者や AI 評価担当者に参照されます。
ワークフロー図
2026.04·ready
「TAU-Bench は接客寄りの難しさを測るので、SWE-Bench と併用が現実的です。」
TAU-Benchの見方
255
この用語の見どころ
1
役割
ビジネス対話でのエージェント能力を採点する指標です。
2
うれしさ
実務シナリオでルール遵守まで含めて測れます。
3
注意点
コード系ベンチとは測定軸が違うため、単純比較は禁物です。
4
どこで役立つか
カスタマー AI や対話エージェントの導入判断の足場として。
5
はじめに
Tau の略展開と Sierra 社が開発した経緯が出発点です。
6
深掘り先
SWE-Bench、WebArena、GAIA
非エンジニアのつまずき
- 馴染みが薄く、名前（頭文字）からどんなものかが想像しづらいです
私のコメント
- 第一印象:今回初めて知りました。
- 良い点:ツール呼び出しの巧拙を測れるのは重要だと思います。
- ダメな点:基準スコアの水準に馴染みがなく掴みづらいです。
- 誰向けか:エージェントとして動かす LLM を選定したい人向けです。
開発フローでの位置
エージェント系モデルの発表
シナリオ種別を確認
ルール遵守スコアを確認
SWE-Bench と比較
採用判断の参考にする
関連用語
E-30·benchmark
バイブコーディング図鑑