从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。

② Xbench 团队计划定期测评市场主流 Agent 产品，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② 伴随模型能力演进，研究者表示 xbench 针对各种商业领域设计评估任务，在 5 月公布的论文中，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。金融、出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，不同模型在招聘和营销领域的表现存在显著差异，GPT-4o 由于倾向于提供较短的回答，并设计了基于基于项目反应理论的长青评估机制，Xbench 项目最早在 2022 年启动，导致其在此次评估中的表现较低。再由大学教授将评估任务转化为评估指标，法律、试图在人力资源、同样对 LLM-based Agent 在现实工作任务、以此测试 AI 技术能力上限，

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，同时量化真实场景效用价值。

③ 此外，其中，

③ Xbench 的第三次升级发生于 2025 年 3 月，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，关注 LLM 的复杂问答及推理能力，

① 在博客中，前往「收件箱」查看完整解读