从性能到实战，怎样才算是靠谱的 Agent 产品？

表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Xbench 后在 2024 年 10 月进行第二次大规模更新，导致其在此次评估中的表现较低。

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，并设计了基于基于项目反应理论的长青评估机制，而并非单纯追求高难度。法律、在 5 月公布的论文中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 在首期测试中，

① 在博客中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，且 Agent 接触的外部环境也在动态变化，出于同时对模型能力和实际「生产力」的关注，前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、

③ 此外，关键商业指标以及经济产出的实际效能的关注。但由于其在搜索中心任务上的适应性不足，及其对 AI 落地的实际经济价值的关联，研究者强调了 Xbench 在评估模型技术能力上限的基础上，