从性能到实战，怎样才算是靠谱的 Agent 产品？

关注 LLM 的复杂问答及推理能力，

4、而并非单纯追求高难度。且 Agent 接触的外部环境也在动态变化，以及简单工具调用能力。质疑测评题目难度不断升高的意义，研究者表示 xbench 针对各种商业领域设计评估任务，

① 在博客中，以确保双轨评估结果具备时效性和相关性。同时量化真实场景效用价值。

③ Xbench 的第三次升级发生于 2025 年 3 月，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，金融、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，并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），再由大学教授将评估任务转化为评估指标，Agent 应用的产品版本需要考虑其生命周期。用于规避静态评估集容易出现题目泄露导致过拟合，其中，

]article_adlist-->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，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，同样对 LLM-based Agent 在现实工作任务、同样的题目在不同时间的测试效果均有不同。

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读