从性能到实战，怎样才算是靠谱的 Agent 产品？

1、

② 伴随模型能力演进，而并非单纯追求高难度。关注 LLM 的复杂问答及推理能力，

① 在首期测试中，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。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），不同模型在招聘和营销领域的表现存在显著差异，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

2、同样的题目在不同时间的测试效果均有不同。评估任务由对应领域的专家结合实际业务需求设定，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，

③ Xbench 的第三次升级发生于 2025 年 3 月，红杉中国开始对主流模型进行月度评测和内部汇报，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，GPT-4o 由于倾向于提供较短的回答，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」，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。在 5 月公布的论文中，Xbench 项目最早在 2022 年启动，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 团队构建了双轨评估体系，法律、但由于其在搜索中心任务上的适应性不足，

]article_adlist-->题目开始上升，前往「收件箱」查看完整解读