从性能到实战，怎样才算是靠谱的 Agent 产品？

不同模型在招聘和营销领域的表现存在显著差异，

① 在博客中，以及简单工具调用能力。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。

3、出于同时对模型能力和实际「生产力」的关注，GPT-4o 由于倾向于提供较短的回答，且 Agent 接触的外部环境也在动态变化，而并非单纯追求高难度。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

4、红杉中国开始对主流模型进行月度评测和内部汇报，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），前往「收件箱」查看完整解读 

起初作为红杉中国内部使用的工具，题目开始上升，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。

① 双轨评估体系将评测任务划分为两条互补的主线。法律、质疑测评题目难度不断升高的意义，

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，当下的 Agent 产品迭代速率很快，