区分新六语言榜单和配套论文四配置核验实验；未搜得同版本独立复测。
持续追踪
语音代理确认过的名字，也可能没有改对
语音客服能够流畅交谈，仍可能把名字、邮箱或电话号码中的一个字符存错。Sierra 的 τ-Entity 把这一痛点单独做成 200 个任务、十类字段的测试：来电者配合回答、可以正确拼写，代理要把字段准确写入工具。任务通常不到两分钟，因此它测的是基础信息采集，不是完整客服工作的成功率。
测试分别放入普通通话、背景噪声和背景说话三种环境。“全部条件通过”要求同一任务在三种环境都成功，并非同一录音随机重跑三次。六语言结果中，GPT Live 1 的普通条件平均为 60.3%，全部条件为 34.0%；英文单列是 74.0% 和 47.5%。语言与环境的差异提醒我们，流畅程度不能替代最终存储字段的精确核对。
作者还研究如何修正。配套论文的四种配置中，明确要求拼写、复述、确认、纠正后再提交，能把全部条件通过比例从约 14%–41% 提高到 37%–54%，每通电话增加约 21–28 秒。这是旧论文四配置的干预实验，不能与新六语言榜单逐项对齐。尤其值得保留的发现是：即使已经核验，初始错误也只有约 24%–37% 得到修正，提醒语句出现不等于纠错完成。
这些结果给出了可改进的流程，而不是宣布语音产品不可用。对需要准确标识符的业务，应把听取、确认、最终写入分开观察，再比较增加的通话时间换来了多少正确结果。本次检索没有取得同版本的独立复测；数值仍应归于 Sierra 的设置与作者实验。
查看依据
信息来源：Soham Ray · Sierra τ-Entity · Sierra 配套论文 · 四配置核验实验语音客服常要把姓名、地址和预约时间写入系统。这里的难点是“精确录入”：多一个字符或听错一个名字，即使其余对话自然，也可能使后续服务失败。Sierra 于 10 月 22 日介绍 τ-Entity，包含十类实体的 200 个任务，并扩展到六种语言。每个任务让合作的模拟来电者提供一个字段，最终按数据库里的值是否完全正确评分。
评测将同一任务放进常规、强噪声和频繁插话三种环境。Pass³ 要求三种都成功，不能用平均成功率掩盖某一种环境下的失败，也不是把三次任意重跑当成三种条件。当前六语言榜单中，GPT Live 1 的常规成功率为 60.3%，三环境全过降至 34.0%；这两个数回答的是不同问题。
作者同时给出更可操作的方向：让代理明确执行请求拼写、复述、纠正和确认，再提交字段。配套论文中的四个语音配置，在这套流程下，三环境全过率从约 14%—41% 提高到 37%—54%，每通电话增加约 21—28 秒。论文是较早的四配置实验，不能与新六语言榜单混成一次比较。它还发现，已经核验过的初始错误中，最终修好的比例只有 24%—37%。发现困难、花时间确认和完成纠错，仍是三件事。