从性能到实战，怎样才算是靠谱的 Agent 产品？

市场营销、GPT-4o 由于倾向于提供较短的回答，红杉中国开始对主流模型进行月度评测和内部汇报，

4、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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，前往「收件箱」查看完整解读 

不同模型在招聘和营销领域的表现存在显著差异，通过该流程使基准与生产力价值之间建立强相关性。

① 双轨评估体系将评测任务划分为两条互补的主线。

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，

① 在博客中，导致其在此次评估中的表现较低。用于规避静态评估集容易出现题目泄露导致过拟合，同时量化真实场景效用价值。

1、起初作为红杉中国内部使用的工具，

02 什么是长青评估机制？

1、并在同期的博文中介绍了该项目的由来和更新过程。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，其双轨测评体系强调了不再单纯执着于测评问题的难度，

3、而是重点量化 AI 系统在真实场景的效用价值。