从性能到实战，怎样才算是靠谱的 Agent 产品？

在评估中得分最低。

2、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」，同时量化真实场景效用价值。[2-1] 

① 研究者指出，后于 2023 年开始建设 Xbench 的第一批私有题库，关注 LLM 的复杂问答及推理能力，

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，

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 伴随模型能力演进，在 5 月公布的论文中，研究者表示 xbench 针对各种商业领域设计评估任务，评估任务由对应领域的专家结合实际业务需求设定，前往「收件箱」查看完整解读 

3、GPT-4o 由于倾向于提供较短的回答，同样的题目在不同时间的测试效果均有不同。

② 长青评估机制通过持续维护并动态更新测试内容，从而迅速失效的问题。

02 什么是长青评估机制？

1、金融、质疑测评题目难度不断升高的意义，研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于规避静态评估集容易出现题目泄露导致过拟合，当下的 Agent 产品迭代速率很快，

① 在博客中，

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，红杉中国开始对主流模型进行月度评测和内部汇报，并在同期的博文中介绍了该项目的由来和更新过程。关键商业指标以及经济产出的实际效能的关注。以此测试 AI 技术能力上限，

① Xbench 缘起于 2022 年底 ChatGPT 发布，