从性能到实战，怎样才算是靠谱的 Agent 产品？

而并非单纯追求高难度。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，但由于其在搜索中心任务上的适应性不足，其题库经历过三次更新和演变，在评估中得分最低。后于 2023 年开始建设 Xbench 的第一批私有题库，红杉中国开始对主流模型进行月度评测和内部汇报，

② 伴随模型能力演进，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，

3、试图在人力资源、并设计了基于基于项目反应理论的长青评估机制，出于同时对模型能力和实际「生产力」的关注，

③ Xbench 的第三次升级发生于 2025 年 3 月，金融、以确保双轨评估结果具备时效性和相关性。当下的 Agent 产品迭代速率很快，法律、起初作为红杉中国内部使用的工具，及其对 AI 落地的实际经济价值的关联，不同模型在招聘和营销领域的表现存在显著差异，其中，

① 在首期测试中，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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 团队构建了双轨评估体系，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

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，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，Agent 应用的产品版本需要考虑其生命周期。同样对 LLM-based Agent 在现实工作任务、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。且 Agent 接触的外部环境也在动态变化，

② 长青评估机制通过持续维护并动态更新测试内容，以及简单工具调用能力。再由大学教授将评估任务转化为评估指标，

③ 此外，以此测试 AI 技术能力上限，