从性能到实战，怎样才算是靠谱的 Agent 产品？

其中，金融、在评估中得分最低。其双轨测评体系强调了不再单纯执着于测评问题的难度，前往「收件箱」查看完整解读 

后在 2025 年 5 月下旬正式对外公开。用于跟踪和评估基础模型的能力，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。出于同时对模型能力和实际「生产力」的关注，质疑测评题目难度不断升高的意义，

1、在 5 月公布的论文中，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），

02 什么是长青评估机制？

1、

② Xbench 团队计划定期测评市场主流 Agent 产品，Agent 应用的产品版本需要考虑其生命周期。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。而是重点量化 AI 系统在真实场景的效用价值。但由于其在搜索中心任务上的适应性不足，不同模型在招聘和营销领域的表现存在显著差异，Xbench 后在 2024 年 10 月进行第二次大规模更新，