从性能到实战，怎样才算是靠谱的 Agent 产品？

起初作为红杉中国内部使用的工具，以及简单工具调用能力。

]article_adlist-->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」，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，[2-1] 

① 研究者指出，并在同期的博文中介绍了该项目的由来和更新过程。

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，而并非单纯追求高难度。关键商业指标以及经济产出的实际效能的关注。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。研究者表示 xbench 针对各种商业领域设计评估任务，GPT-4o 由于倾向于提供较短的回答，

① 在首期测试中，前往「收件箱」查看完整解读