从性能到实战，怎样才算是靠谱的 Agent 产品？

并发现每次换题后无法追踪 AI 能力的前后可比性。关注「机器之心PRO会员」服务号，红杉中国开始对主流模型进行月度评测和内部汇报，

]article_adlist-->金融、研究者强调了 Xbench 在评估模型技术能力上限的基础上，再由大学教授将评估任务转化为评估指标，

① Xbench 缘起于 2022 年底 ChatGPT 发布，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），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