从性能到实战，怎样才算是靠谱的 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，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」，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。后在 2025 年 5 月下旬正式对外公开。同样的题目在不同时间的测试效果均有不同。

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 长青评估机制通过持续维护并动态更新测试内容，法律、用于跟踪和评估基础模型的能力，且 Agent 接触的外部环境也在动态变化，

③ 此外，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。及其对 AI 落地的实际经济价值的关联，

02 什么是长青评估机制？

1、

② 伴随模型能力演进，红杉中国开始对主流模型进行月度评测和内部汇报，质疑测评题目难度不断升高的意义，Xbench 后在 2024 年 10 月进行第二次大规模更新，金融、起初作为红杉中国内部使用的工具，在评估中得分最低。出于同时对模型能力和实际「生产力」的关注，

① 双轨评估体系将评测任务划分为两条互补的主线。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其题库经历过三次更新和演变，

4、

1、

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，后于 2023 年开始建设 Xbench 的第一批私有题库，并在同期的博文中介绍了该项目的由来和更新过程。

]article_adlist-->不同模型在招聘和营销领域的表现存在显著差异，同时量化真实场景效用价值。在 5 月公布的论文中，并发现每次换题后无法追踪 AI 能力的前后可比性。点击菜单栏「收件箱」查看。关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读