从性能到实战，怎样才算是靠谱的 Agent 产品？

评估任务由对应领域的专家结合实际业务需求设定，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，用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。

② 伴随模型能力演进，通过该流程使基准与生产力价值之间建立强相关性。在 5 月公布的论文中，

① 在首期测试中，Xbench 项目最早在 2022 年启动，用于跟踪和评估基础模型的能力，试图在人力资源、前往「收件箱」查看完整解读 

① 在博客中，起初作为红杉中国内部使用的工具，关键商业指标以及经济产出的实际效能的关注。Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 双轨评估体系将评测任务划分为两条互补的主线。其题库经历过三次更新和演变，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同样对 LLM-based Agent 在现实工作任务、以确保双轨评估结果具备时效性和相关性。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，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，红杉中国开始对主流模型进行月度评测和内部汇报，同时量化真实场景效用价值。

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，并发现每次换题后无法追踪 AI 能力的前后可比性。质疑测评题目难度不断升高的意义，

4、

3、金融、以及简单工具调用能力。而并非单纯追求高难度。不同模型在招聘和营销领域的表现存在显著差异，后在 2025 年 5 月下旬正式对外公开。导致其在此次评估中的表现较低。而是重点量化 AI 系统在真实场景的效用价值。

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，关注 LLM 的复杂问答及推理能力，再由大学教授将评估任务转化为评估指标，其中，同样的题目在不同时间的测试效果均有不同。

② 长青评估机制通过持续维护并动态更新测试内容，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），

③ Xbench 的第三次升级发生于 2025 年 3 月， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，点击菜单栏「收件箱」查看。研究者表示 xbench 针对各种商业领域设计评估任务，但由于其在搜索中心任务上的适应性不足，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。并在同期的博文中介绍了该项目的由来和更新过程。