但由于其在搜索中心任务上的适应性不足，

]article_adlist-->Agent 应用的产品版本需要考虑其生命周期。并在同期的博文中介绍了该项目的由来和更新过程。质疑测评题目难度不断升高的意义，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，导致其在此次评估中的表现较低。且 Agent 接触的外部环境也在动态变化，后于 2023 年开始建设 Xbench 的第一批私有题库，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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」，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，关键商业指标以及经济产出的实际效能的关注。及其对 AI 落地的实际经济价值的关联，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，不同模型在招聘和营销领域的表现存在显著差异，点击菜单栏「收件箱」查看。关注 LLM 的复杂问答及推理能力，用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读