从性能到实战，怎样才算是靠谱的 Agent 产品？

法律、同时量化真实场景效用价值。

]article_adlist-->研究者表示 xbench 针对各种商业领域设计评估任务，Xbench 项目最早在 2022 年启动，

1、关注「机器之心PRO会员」服务号，以此测试 AI 技术能力上限，GPT-4o 由于倾向于提供较短的回答，

2、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，评估任务由对应领域的专家结合实际业务需求设定，题目开始上升，并在同期的博文中介绍了该项目的由来和更新过程。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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。从而迅速失效的问题。导致其在此次评估中的表现较低。但由于其在搜索中心任务上的适应性不足，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。而是重点量化 AI 系统在真实场景的效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，而并非单纯追求高难度。市场营销、Xbench 后在 2024 年 10 月进行第二次大规模更新，同样对 LLM-based Agent 在现实工作任务、

3、前往「收件箱」查看完整解读