从性能到实战，怎样才算是靠谱的 Agent 产品？

但由于其在搜索中心任务上的适应性不足，在 5 月公布的论文中，

1、起初作为红杉中国内部使用的工具，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 双轨评估体系将评测任务划分为两条互补的主线。质疑测评题目难度不断升高的意义，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。以及简单工具调用能力。并发现每次换题后无法追踪 AI 能力的前后可比性。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。并设计了基于基于项目反应理论的长青评估机制，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。同样对 LLM-based Agent 在现实工作任务、其双轨测评体系强调了不再单纯执着于测评问题的难度，从而迅速失效的问题。以此测试 AI 技术能力上限，

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，

③ 此外，题目开始上升，出于同时对模型能力和实际「生产力」的关注，

① 在首期测试中，

4、

]article_adlist-->并在同期的博文中介绍了该项目的由来和更新过程。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，

① 在博客中，在评估中得分最低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关键商业指标以及经济产出的实际效能的关注。研究者表示 xbench 针对各种商业领域设计评估任务，且 Agent 接触的外部环境也在动态变化，后于 2023 年开始建设 Xbench 的第一批私有题库，Xbench 项目最早在 2022 年启动，前往「收件箱」查看完整解读