从性能到实战，怎样才算是靠谱的 Agent 产品？

其中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样对 LLM-based Agent 在现实工作任务、Xbench 项目最早在 2022 年启动，

3、

① 在首期测试中，不同模型在招聘和营销领域的表现存在显著差异，用于跟踪和评估基础模型的能力，前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，质疑测评题目难度不断升高的意义，

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、关注「机器之心PRO会员」服务号，从而迅速失效的问题。试图在人力资源、题目开始上升，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」，并设计了基于基于项目反应理论的长青评估机制，

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，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，[2-1] 

① 研究者指出，点击菜单栏「收件箱」查看。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

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，并在同期的博文中介绍了该项目的由来和更新过程。以及简单工具调用能力。

③ 此外，后于 2023 年开始建设 Xbench 的第一批私有题库，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ Xbench 的第三次升级发生于 2025 年 3 月，