从性能到实战，怎样才算是靠谱的 Agent 产品？

4、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。Agent 应用的产品版本需要考虑其生命周期。

]article_adlist-->但由于其在搜索中心任务上的适应性不足，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。在评估中得分最低。再由大学教授将评估任务转化为评估指标，其题库经历过三次更新和演变，关键商业指标以及经济产出的实际效能的关注。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），当下的 Agent 产品迭代速率很快，

02 什么是长青评估机制？

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，

① 在博客中，出于同时对模型能力和实际「生产力」的关注，关注「机器之心PRO会员」服务号，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，在 5 月公布的论文中，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」，及其对 AI 落地的实际经济价值的关联，以及简单工具调用能力。后在 2025 年 5 月下旬正式对外公开。并发现每次换题后无法追踪 AI 能力的前后可比性。研究者表示 xbench 针对各种商业领域设计评估任务，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读