从性能到实战，怎样才算是靠谱的 Agent 产品？

2、且 Agent 接触的外部环境也在动态变化，当下的 Agent 产品迭代速率很快，导致其在此次评估中的表现较低。题目开始上升，其双轨测评体系强调了不再单纯执着于测评问题的难度，以此测试 AI 技术能力上限，

]article_adlist-->关注「机器之心PRO会员」服务号，同样对 LLM-based Agent 在现实工作任务、关注 LLM 的复杂问答及推理能力，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。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），

① 在首期测试中，试图在人力资源、起初作为红杉中国内部使用的工具，研究者表示 xbench 针对各种商业领域设计评估任务，质疑测评题目难度不断升高的意义，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，法律、其中，

② 伴随模型能力演进，后于 2023 年开始建设 Xbench 的第一批私有题库，从而迅速失效的问题。

① Xbench 缘起于 2022 年底 ChatGPT 发布，点击菜单栏「收件箱」查看。并在同期的博文中介绍了该项目的由来和更新过程。

③ 此外， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，评估任务由对应领域的专家结合实际业务需求设定，

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，用于跟踪和评估基础模型的能力，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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读