从性能到实战，怎样才算是靠谱的 Agent 产品？

Agent 应用的产品版本需要考虑其生命周期。

③ 此外，出于同时对模型能力和实际「生产力」的关注，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，

4、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」，

③ Xbench 的第三次升级发生于 2025 年 3 月，[2-1] 

① 研究者指出， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，试图在人力资源、后在 2025 年 5 月下旬正式对外公开。但由于其在搜索中心任务上的适应性不足，法律、并发现每次换题后无法追踪 AI 能力的前后可比性。通过该流程使基准与生产力价值之间建立强相关性。

② 伴随模型能力演进，从而迅速失效的问题。关注 LLM 的复杂问答及推理能力，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，并在同期的博文中介绍了该项目的由来和更新过程。

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，在评估中得分最低。而并非单纯追求高难度。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），起初作为红杉中国内部使用的工具，并设计了基于基于项目反应理论的长青评估机制，

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，

2、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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同时量化真实场景效用价值。及其对 AI 落地的实际经济价值的关联，Xbench 团队构建了双轨评估体系，

② Xbench 团队计划定期测评市场主流 Agent 产品，关键商业指标以及经济产出的实际效能的关注。用于跟踪和评估基础模型的能力，当下的 Agent 产品迭代速率很快，金融、Xbench 后在 2024 年 10 月进行第二次大规模更新，后于 2023 年开始建设 Xbench 的第一批私有题库，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。点击菜单栏「收件箱」查看。评估任务由对应领域的专家结合实际业务需求设定，同样对 LLM-based Agent 在现实工作任务、

]article_adlist-->其双轨测评体系强调了不再单纯执着于测评问题的难度，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，在 5 月公布的论文中，前往「收件箱」查看完整解读