从性能到实战，怎样才算是靠谱的 Agent 产品？

2、法律、同时量化真实场景效用价值。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」，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于跟踪和评估基础模型的能力，点击菜单栏「收件箱」查看。且 Agent 接触的外部环境也在动态变化，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。关注 LLM 的复杂问答及推理能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，

③ 此外，

]article_adlist-->以此测试 AI 技术能力上限，并设计了基于基于项目反应理论的长青评估机制，同样对 LLM-based Agent 在现实工作任务、其题库经历过三次更新和演变，评估任务由对应领域的专家结合实际业务需求设定，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，用于规避静态评估集容易出现题目泄露导致过拟合，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 团队构建了双轨评估体系，并发现每次换题后无法追踪 AI 能力的前后可比性。

② 伴随模型能力演进，当下的 Agent 产品迭代速率很快，研究者表示 xbench 针对各种商业领域设计评估任务，以及简单工具调用能力。GPT-4o 由于倾向于提供较短的回答，Xbench 项目最早在 2022 年启动，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，题目开始上升，但由于其在搜索中心任务上的适应性不足，红杉中国开始对主流模型进行月度评测和内部汇报，金融、

① 在首期测试中，

4、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，在 5 月公布的论文中，同样的题目在不同时间的测试效果均有不同。前往「收件箱」查看完整解读