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。红杉中国开始对主流模型进行月度评测和内部汇报，且 Agent 接触的外部环境也在动态变化，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。Agent 应用的产品版本需要考虑其生命周期。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），其双轨测评体系强调了不再单纯执着于测评问题的难度，

]article_adlist-->关注「机器之心PRO会员」服务号，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，点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，同样对 LLM-based Agent 在现实工作任务、

② 伴随模型能力演进，前往「收件箱」查看完整解读