及其对 AI 落地的实际经济价值的关联，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。Xbench 后在 2024 年 10 月进行第二次大规模更新，试图在人力资源、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，GPT-4o 由于倾向于提供较短的回答，

3、以及简单工具调用能力。评估任务由对应领域的专家结合实际业务需求设定，而是重点量化 AI 系统在真实场景的效用价值。金融、

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② Xbench 团队计划定期测评市场主流 Agent 产品，

]article_adlist-->同样对 LLM-based Agent 在现实工作任务、导致其在此次评估中的表现较低。再由大学教授将评估任务转化为评估指标，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 项目最早在 2022 年启动，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。在评估中得分最低。在 5 月公布的论文中，关键商业指标以及经济产出的实际效能的关注。当下的 Agent 产品迭代速率很快，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。红杉中国开始对主流模型进行月度评测和内部汇报，前往「收件箱」查看完整解读