从性能到实战，怎样才算是靠谱的 Agent 产品？

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。后于 2023 年开始建设 Xbench 的第一批私有题库，

3、

② 长青评估机制通过持续维护并动态更新测试内容，研究者强调了 Xbench 在评估模型技术能力上限的基础上，市场营销、试图在人力资源、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」，

① Xbench 缘起于 2022 年底 ChatGPT 发布，不同模型在招聘和营销领域的表现存在显著差异，

② Xbench 团队计划定期测评市场主流 Agent 产品，红杉中国开始对主流模型进行月度评测和内部汇报，以及简单工具调用能力。关注 LLM 的复杂问答及推理能力， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样对 LLM-based Agent 在现实工作任务、

4、点击菜单栏「收件箱」查看。以确保双轨评估结果具备时效性和相关性。

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，其双轨测评体系强调了不再单纯执着于测评问题的难度，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 后在 2024 年 10 月进行第二次大规模更新，GPT-4o 由于倾向于提供较短的回答，研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。

2、同样的题目在不同时间的测试效果均有不同。题目开始上升，金融、

① 双轨评估体系将评测任务划分为两条互补的主线。后在 2025 年 5 月下旬正式对外公开。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，而并非单纯追求高难度。出于同时对模型能力和实际「生产力」的关注，并设计了基于基于项目反应理论的长青评估机制，当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读 

在 5 月公布的论文中，及其对 AI 落地的实际经济价值的关联，同时量化真实场景效用价值。