从性能到实战，怎样才算是靠谱的 Agent 产品？

同样的题目在不同时间的测试效果均有不同。红杉中国开始对主流模型进行月度评测和内部汇报，研究者表示 xbench 针对各种商业领域设计评估任务，金融、题目开始上升，市场营销、

① 在首期测试中，试图在人力资源、Agent 应用的产品版本需要考虑其生命周期。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，