从性能到实战，怎样才算是靠谱的 Agent 产品？

当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。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，起初作为红杉中国内部使用的工具，Xbench 项目最早在 2022 年启动，题目开始上升，及其对 AI 落地的实际经济价值的关联，关注 LLM 的复杂问答及推理能力，Xbench 团队构建了双轨评估体系，不同模型在招聘和营销领域的表现存在显著差异，

]article_adlist-->其双轨测评体系强调了不再单纯执着于测评问题的难度，

③ 此外，

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