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。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。其题库经历过三次更新和演变，出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、评估任务由对应领域的专家结合实际业务需求设定，后在 2025 年 5 月下旬正式对外公开。其双轨测评体系强调了不再单纯执着于测评问题的难度，

② Xbench 团队计划定期测评市场主流 Agent 产品，用于跟踪和评估基础模型的能力，Xbench 项目最早在 2022 年启动，起初作为红杉中国内部使用的工具，其中，

① 在博客中，

3、金融、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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

2、