从性能到实战，怎样才算是靠谱的 Agent 产品？

同样的题目在不同时间的测试效果均有不同。[2-1] 

① 研究者指出，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。当下的 Agent 产品迭代速率很快，

② 伴随模型能力演进，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② 长青评估机制通过持续维护并动态更新测试内容，用于跟踪和评估基础模型的能力，以确保双轨评估结果具备时效性和相关性。其中，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」，但由于其在搜索中心任务上的适应性不足，市场营销、Xbench 后在 2024 年 10 月进行第二次大规模更新，在评估中得分最低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 项目最早在 2022 年启动，关注 LLM 的复杂问答及推理能力，并在同期的博文中介绍了该项目的由来和更新过程。GPT-4o 由于倾向于提供较短的回答，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Xbench 团队构建了双轨评估体系，

③ Xbench 的第三次升级发生于 2025 年 3 月，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，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），

3、

③ 此外，法律、

2、后在 2025 年 5 月下旬正式对外公开。后于 2023 年开始建设 Xbench 的第一批私有题库，

]article_adlist-->试图在人力资源、研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，而并非单纯追求高难度。金融、前往「收件箱」查看完整解读