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。后于 2023 年开始建设 Xbench 的第一批私有题库，以此测试 AI 技术能力上限，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。而并非单纯追求高难度。研究者强调了 Xbench 在评估模型技术能力上限的基础上，通过该流程使基准与生产力价值之间建立强相关性。评估任务由对应领域的专家结合实际业务需求设定，用于规避静态评估集容易出现题目泄露导致过拟合，同样的题目在不同时间的测试效果均有不同。不同模型在招聘和营销领域的表现存在显著差异，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，以确保双轨评估结果具备时效性和相关性。以及简单工具调用能力。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。

4、在 5 月公布的论文中，及其对 AI 落地的实际经济价值的关联，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，关注「机器之心PRO会员」服务号，

]article_adlist-->质疑测评题目难度不断升高的意义，且 Agent 接触的外部环境也在动态变化，同时量化真实场景效用价值。其中，起初作为红杉中国内部使用的工具，[2-1] 

① 研究者指出，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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」，前往「收件箱」查看完整解读