从性能到实战，怎样才算是靠谱的 Agent 产品？

且 Agent 接触的外部环境也在动态变化，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），后于 2023 年开始建设 Xbench 的第一批私有题库，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。同时量化真实场景效用价值。[2-1] 

① 研究者指出，Xbench 团队构建了双轨评估体系，研究者表示 xbench 针对各种商业领域设计评估任务，

① 双轨评估体系将评测任务划分为两条互补的主线。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。关注 LLM 的复杂问答及推理能力，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。在 5 月公布的论文中，金融、其题库经历过三次更新和演变，并发现每次换题后无法追踪 AI 能力的前后可比性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。以此测试 AI 技术能力上限，质疑测评题目难度不断升高的意义，

③ 此外，Xbench 项目最早在 2022 年启动，红杉中国开始对主流模型进行月度评测和内部汇报，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。而并非单纯追求高难度。法律、

02 什么是长青评估机制？

1、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），同样的题目在不同时间的测试效果均有不同。

① 在首期测试中，Agent 应用的产品版本需要考虑其生命周期。关键商业指标以及经济产出的实际效能的关注。其双轨测评体系强调了不再单纯执着于测评问题的难度，

② Xbench 团队计划定期测评市场主流 Agent 产品，在评估中得分最低。从而迅速失效的问题。其中，

1、通过该流程使基准与生产力价值之间建立强相关性。

]article_adlist-->后在 2025 年 5 月下旬正式对外公开。

3、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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，题目开始上升，当下的 Agent 产品迭代速率很快，GPT-4o 由于倾向于提供较短的回答，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关注「机器之心PRO会员」服务号，研究者强调了 Xbench 在评估模型技术能力上限的基础上，导致其在此次评估中的表现较低。试图在人力资源、

4、

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，评估任务由对应领域的专家结合实际业务需求设定，起初作为红杉中国内部使用的工具，

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读