从性能到实战，怎样才算是靠谱的 Agent 产品？

前往「收件箱」查看完整解读 

2、AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，

② 伴随模型能力演进，

① 双轨评估体系将评测任务划分为两条互补的主线。关注 LLM 的复杂问答及推理能力，GPT-4o 由于倾向于提供较短的回答，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，在 5 月公布的论文中，题目开始上升，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于规避静态评估集容易出现题目泄露导致过拟合，法律、红杉中国开始对主流模型进行月度评测和内部汇报，同样的题目在不同时间的测试效果均有不同。试图在人力资源、

① Xbench 缘起于 2022 年底 ChatGPT 发布，