从性能到实战，怎样才算是靠谱的 Agent 产品？

在 5 月公布的论文中，当下的 Agent 产品迭代速率很快，以此测试 AI 技术能力上限，并在同期的博文中介绍了该项目的由来和更新过程。

2、并设计了基于基于项目反应理论的长青评估机制， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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。其中，

① 在首期测试中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，试图在人力资源、

3、

]article_adlist-->后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读