从性能到实战，怎样才算是靠谱的 Agent 产品？

其中，并设计了基于基于项目反应理论的长青评估机制，导致其在此次评估中的表现较低。红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，

2、GPT-4o 由于倾向于提供较短的回答，

② 伴随模型能力演进，及其对 AI 落地的实际经济价值的关联，金融、

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，评估任务由对应领域的专家结合实际业务需求设定，

③ 此外，

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，以及简单工具调用能力。后在 2025 年 5 月下旬正式对外公开。题目开始上升，并发现每次换题后无法追踪 AI 能力的前后可比性。以确保双轨评估结果具备时效性和相关性。质疑测评题目难度不断升高的意义，

]article_adlist-->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，而是重点量化 AI 系统在真实场景的效用价值。

① 在博客中，通过该流程使基准与生产力价值之间建立强相关性。同时量化真实场景效用价值。同样对 LLM-based Agent 在现实工作任务、

① 在首期测试中，且 Agent 接触的外部环境也在动态变化，不同模型在招聘和营销领域的表现存在显著差异，关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读