据Hugging Face Blog报道，ALTK-Evolve让一个基于GPT-4.1这一较旧非推理模型的基础客服智能体，在τ²-bench零售任务上取得67.5%的Pass^4，即对67.5%的任务在四次独立尝试中全部成功，高于该博客引用的2026年10月12日榜单快照中所有零售条目。该智能体使用的是τ²-bench自带的ReAct脚手架，并未更换前沿模型。

据该博客介绍，ALTK-Evolve不改动模型权重，也不依赖人工标注。它用与智能体相同的GPT-4.1分析训练任务中的尝试轨迹，把成功和失败提炼成简短的行为规则，涉及如何认证客户、确认交易或处理退货；这些指南随后被追加到智能体的系统提示中，用于后续对话。具体做法是在领域政策之后加入一段“从过往任务尝试中学到的指南”，其余政策、工具和脚手架均保持τ²-bench原样。

博客称，团队此前在编程智能体上展示过这一方法，此次转而测试客服场景。τ²-bench来自Sierra，衡量智能体在真实约束下处理客服对话的能力。每个任务配有带目标的LLM模拟客户、一组领域工具和一份智能体必须遵守的文字政策；智能体需要问出正确细节、遵守政策并执行正确的工具动作，只有最终数据库状态与预期结果一致才算解决，奖励为严格的二元值。测试覆盖零售和航空两个客服领域。

实验使用τ²-bench自身的ReAct实现，采用THINK→ACT两阶段循环，以gpt-4.1作为智能体模型、gpt-5.5作为客户模拟器模型，每个任务尝试4次。学习指南由gpt-4.1在τ²-bench训练任务的轨迹上提取，再原样应用于留出的测试集。博客称，唯一的改动就是系统提示中追加的一组学习指南。

为考察指南数量的影响，博客比较了三种配置：无指南的基线；仅保留支持数不低于3的指南，零售31条、航空14条；保留整合后的全部指南，零售292条、航空101条。每条指南的支持数指它从多少个不同训练任务中提取，支持数越高表示规则在更多任务上具有泛化性。评测读取4次尝试的两种指标：Mean Accuracy为4次试验的平均成功率，衡量能力；Pass^4为4次试验全部通过的任务占比，衡量可靠性，也是τ²-bench榜单报告的指标。