从性能到实战，怎样才算是靠谱的 Agent 产品？

评估任务由对应领域的专家结合实际业务需求设定，

② 伴随模型能力演进，红杉中国开始对主流模型进行月度评测和内部汇报，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 长青评估机制通过持续维护并动态更新测试内容，研究者表示 xbench 针对各种商业领域设计评估任务，其题库经历过三次更新和演变，以及简单工具调用能力。法律、

3、

 关注👇🏻「机器之心PRO会员」，

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 在博客中，质疑测评题目难度不断升高的意义，关键商业指标以及经济产出的实际效能的关注。

4、

② Xbench 团队计划定期测评市场主流 Agent 产品，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，关注 LLM 的复杂问答及推理能力，同样的题目在不同时间的测试效果均有不同。及其对 AI 落地的实际经济价值的关联，当下的 Agent 产品迭代速率很快，关注「机器之心PRO会员」服务号，

2、同样对 LLM-based Agent 在现实工作任务、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以此测试 AI 技术能力上限，

③ 此外，而是重点量化 AI 系统在真实场景的效用价值。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），在 5 月公布的论文中，Xbench 后在 2024 年 10 月进行第二次大规模更新，点击菜单栏「收件箱」查看。起初作为红杉中国内部使用的工具，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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，其中，不同模型在招聘和营销领域的表现存在显著差异，同时量化真实场景效用价值。[2-1] 

① 研究者指出，前往「收件箱」查看完整解读