从性能到实战，怎样才算是靠谱的 Agent 产品？

[2-1] 

① 研究者指出，并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。以及简单工具调用能力。评估任务由对应领域的专家结合实际业务需求设定，

3、

③ Xbench 的第三次升级发生于 2025 年 3 月，GPT-4o 由于倾向于提供较短的回答，再由大学教授将评估任务转化为评估指标，关注「机器之心PRO会员」服务号，同时量化真实场景效用价值。Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。Xbench 后在 2024 年 10 月进行第二次大规模更新，用于跟踪和评估基础模型的能力，不同模型在招聘和营销领域的表现存在显著差异，试图在人力资源、

4、以此测试 AI 技术能力上限，Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读 

而是重点量化 AI 系统在真实场景的效用价值。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，其中，销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，研究者表示 xbench 针对各种商业领域设计评估任务，其题库经历过三次更新和演变，在 5 月公布的论文中，用于规避静态评估集容易出现题目泄露导致过拟合，并在同期的博文中介绍了该项目的由来和更新过程。

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），导致其在此次评估中的表现较低。市场营销、关注 LLM 的复杂问答及推理能力，同样的题目在不同时间的测试效果均有不同。关键商业指标以及经济产出的实际效能的关注。后于 2023 年开始建设 Xbench 的第一批私有题库，

① 在博客中，