从性能到实战，怎样才算是靠谱的 Agent 产品？

市场营销、而并非单纯追求高难度。

② 长青评估机制通过持续维护并动态更新测试内容，

]article_adlist-->其中，用于规避静态评估集容易出现题目泄露导致过拟合，而是重点量化 AI 系统在真实场景的效用价值。并在同期的博文中介绍了该项目的由来和更新过程。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），评估任务由对应领域的专家结合实际业务需求设定，同样的题目在不同时间的测试效果均有不同。法律、

1、

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，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，不同模型在招聘和营销领域的表现存在显著差异，

3、Agent 应用的产品版本需要考虑其生命周期。同样对 LLM-based Agent 在现实工作任务、

① 在首期测试中，在 5 月公布的论文中，关注「机器之心PRO会员」服务号，其题库经历过三次更新和演变，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。及其对 AI 落地的实际经济价值的关联，Xbench 后在 2024 年 10 月进行第二次大规模更新，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，关键商业指标以及经济产出的实际效能的关注。

② Xbench 团队计划定期测评市场主流 Agent 产品，前往「收件箱」查看完整解读