3、不同模型在招聘和营销领域的表现存在显著差异，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」，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，试图在人力资源、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以此测试 AI 技术能力上限，Agent 应用的产品版本需要考虑其生命周期。Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读 

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，并在同期的博文中介绍了该项目的由来和更新过程。

1、金融、红杉中国开始对主流模型进行月度评测和内部汇报，