τ²-Bench Airline上线Eval Protocol，测试两模型得分

𝜏²-Bench Airline现已在Eval Protocol上线！我们使用两个开源模拟用户测试了gpt-oss-120b：
• Kimi-K2-Instruct → 42.15% ± 1.565（95%置信区间）
• GLM-4.5 → 45.85% ± 1.565（95%置信区间）
测试设置很重要——本例中，使用GLM-4.5可获得更高分数！