Sierra 在 2026 年 10 月 22 日发布 τ-Entity 基准，专测语音智能体一件最基础的事：把姓名、电话、地址、邮箱这类信息听准、记对，发现可能错了还能改回来。测试共 200 个任务、10 类实体，每通电话只记一个字段，来电者还很配合，被要求时愿意逐字拼读，多数通话不到两分钟。就是在这种被刻意简化的场景里，现在的语音智能体也频繁翻车。
由来是 Sierra 在 τ-Voice 里反复看到的卡点：对话再顺，一个号码记错，身份核验就过不去，后面的服务无从谈起。语音模型能办事之前，先得过抄写这一关，而 Mistral 的 Voxtral 3 把听、说和办事装进同一套模型之后，这类基础可靠性更值得单独量。
榜首的成绩单，也经不起换环境
τ-Entity 用 Pass³ 记分：同一个任务要在常规、强噪声、强语音干扰三种条件下都成功，才算真正过关。六语种汇总榜上，GPT Live 1 排第一，常规通话能记对 60.3%，三种条件全过只剩 34.0%；Gemini 3.8 Live 和 Grok Voice Think Fast 2.0 常规条件下是 43.8% 和 44.2%，全过关掉到 19.5% 和 24.0%。只看英语会好看些，GPT Live 1 常规 74.0%、全过 47.5%，但韩语的 Pass³ 只有 3.5% 到 8.5%，普通话也只有 12.5% 到 24.5%，语言一切换，差距立刻拉开。
让它慢下来核对，有用，但要多花半分钟
Sierra 配套的 τ-Elicitation 研究还测了核对本身：智能体只认一部分危险信号，值难、值陌生时会多核对，噪声变大时只有 Grok 会加码，换成自己最不擅长的嗓音时没有一个会更谨慎。给它们一套固定核对流程，也就是问、拼读或复述、确认纠正、再提交，全过率能从 14% 到 41% 提到 37% 到 54%，涨了 14 到 31 个百分点，代价是每通电话多花 21 到 28 秒。而且核对了也不等于改对：最初记错又经过核对的案例，最后真正纠正的只有 24% 到 37%。
落到客服部署上：一通电话记三个字段时，就算单字段准确率还有 75%，整通成功也只剩 53%；逐字段校验加重试能把多字段成功率从 64% 拉到 82%。语音智能体上线前要考的不是聊得像不像人，而是记错时知不知道停下来、多语言和噪声下掉多少分，这正是 τ-Entity 这类基准开始替行业补上的功课。
