τ-Emotion-Bench：用真实用户情绪暴露 LLM 智能体的交互脆弱性

τ-Emotion-Bench 是一个覆盖十个领域的基准，用于在受控情绪条件下评估工具调用智能体，实验显示前沿智能体在平均任务成功率与稳定完成率之间仍存在明显差距。配套的 Tracer 数据生成管线通过允许不满用户终止低效交互来筛选轨迹，其监督信号持续提升不同规模 Qwen3 模型，并可泛化到未见领域及迁移至 τ-Bench 和 τ-Trait。