从性能到实战，怎样才算是靠谱的 Agent 产品？

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，研究者表示 xbench 针对各种商业领域设计评估任务，以此测试 AI 技术能力上限，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Xbench 团队构建了双轨评估体系，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」，且 Agent 接触的外部环境也在动态变化，[2-1] 

① 研究者指出，研究者强调了 Xbench 在评估模型技术能力上限的基础上，后于 2023 年开始建设 Xbench 的第一批私有题库，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 Xbench 团队计划定期测评市场主流 Agent 产品，出于同时对模型能力和实际「生产力」的关注，同样的题目在不同时间的测试效果均有不同。

③ 此外，并在同期的博文中介绍了该项目的由来和更新过程。同样对 LLM-based Agent 在现实工作任务、

1、

02 什么是长青评估机制？

1、