从性能到实战，怎样才算是靠谱的 Agent 产品？

GPT-4o 由于倾向于提供较短的回答，

③ Xbench 的第三次升级发生于 2025 年 3 月，关键商业指标以及经济产出的实际效能的关注。当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。试图在人力资源、红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，同样对 LLM-based Agent 在现实工作任务、再由大学教授将评估任务转化为评估指标， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注 LLM 的复杂问答及推理能力，

① 在首期测试中，Xbench 后在 2024 年 10 月进行第二次大规模更新，评估任务由对应领域的专家结合实际业务需求设定，前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，

3、用于规避静态评估集容易出现题目泄露导致过拟合，Agent 应用的产品版本需要考虑其生命周期。Xbench 团队构建了双轨评估体系，并发现每次换题后无法追踪 AI 能力的前后可比性。

③ 此外，金融、[2-1] 

① 研究者指出，并设计了基于基于项目反应理论的长青评估机制，

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，点击菜单栏「收件箱」查看。用于跟踪和评估基础模型的能力，

① 双轨评估体系将评测任务划分为两条互补的主线。在 5 月公布的论文中，不同模型在招聘和营销领域的表现存在显著差异，后于 2023 年开始建设 Xbench 的第一批私有题库，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。以确保双轨评估结果具备时效性和相关性。起初作为红杉中国内部使用的工具，后在 2025 年 5 月下旬正式对外公开。在评估中得分最低。研究者表示 xbench 针对各种商业领域设计评估任务，