从性能到实战，怎样才算是靠谱的 Agent 产品？

]article_adlist-->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，且 Agent 接触的外部环境也在动态变化，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① Xbench 缘起于 2022 年底 ChatGPT 发布，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。再由大学教授将评估任务转化为评估指标，同样对 LLM-based Agent 在现实工作任务、当下的 Agent 产品迭代速率很快，

② Xbench 团队计划定期测评市场主流 Agent 产品，

③ 此外，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」，

② 长青评估机制通过持续维护并动态更新测试内容，红杉中国开始对主流模型进行月度评测和内部汇报，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，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），而是重点量化 AI 系统在真实场景的效用价值。在评估中得分最低。金融、前往「收件箱」查看完整解读