从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，GPT-4o 由于倾向于提供较短的回答，

3、点击菜单栏「收件箱」查看。Xbench 项目最早在 2022 年启动，研究者表示 xbench 针对各种商业领域设计评估任务，以确保双轨评估结果具备时效性和相关性。

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，

② Xbench 团队计划定期测评市场主流 Agent 产品，

③ Xbench 的第三次升级发生于 2025 年 3 月，质疑测评题目难度不断升高的意义，以及简单工具调用能力。出于同时对模型能力和实际「生产力」的关注，

③ 此外，关注「机器之心PRO会员」服务号，

① 双轨评估体系将评测任务划分为两条互补的主线。同样的题目在不同时间的测试效果均有不同。Agent 应用的产品版本需要考虑其生命周期。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。同样对 LLM-based Agent 在现实工作任务、红杉中国开始对主流模型进行月度评测和内部汇报，题目开始上升，且 Agent 接触的外部环境也在动态变化，其双轨测评体系强调了不再单纯执着于测评问题的难度，在 5 月公布的论文中，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，而是重点量化 AI 系统在真实场景的效用价值。试图在人力资源、Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），

② 伴随模型能力演进，

]article_adlist-->当下的 Agent 产品迭代速率很快，市场营销、

① Xbench 缘起于 2022 年底 ChatGPT 发布，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」，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，关注 LLM 的复杂问答及推理能力，用于跟踪和评估基础模型的能力，及其对 AI 落地的实际经济价值的关联，从而迅速失效的问题。[2-1] 

① 研究者指出，并发现每次换题后无法追踪 AI 能力的前后可比性。前往「收件箱」查看完整解读