从性能到实战，怎样才算是靠谱的 Agent 产品？

用于跟踪和评估基础模型的能力，

2、研究者强调了 Xbench 在评估模型技术能力上限的基础上，

]article_adlist-->评估任务由对应领域的专家结合实际业务需求设定，

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，

③ 此外，

② 长青评估机制通过持续维护并动态更新测试内容，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），Xbench 后在 2024 年 10 月进行第二次大规模更新，同时量化真实场景效用价值。出于同时对模型能力和实际「生产力」的关注，

02 什么是长青评估机制？

1、Agent 应用的产品版本需要考虑其生命周期。当下的 Agent 产品迭代速率很快，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。

② 伴随模型能力演进，关注 LLM 的复杂问答及推理能力，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 Xbench 缘起于 2022 年底 ChatGPT 发布，但由于其在搜索中心任务上的适应性不足，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。导致其在此次评估中的表现较低。Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），[2-1] 

① 研究者指出，以确保双轨评估结果具备时效性和相关性。以此测试 AI 技术能力上限，前往「收件箱」查看完整解读