从性能到实战，怎样才算是靠谱的 Agent 产品？

① 双轨评估体系将评测任务划分为两条互补的主线。通过该流程使基准与生产力价值之间建立强相关性。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。

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 项目最早在 2022 年启动，Xbench 后在 2024 年 10 月进行第二次大规模更新，以此测试 AI 技术能力上限，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，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、

③ 此外，试图在人力资源、

02 什么是长青评估机制？

1、并设计了基于基于项目反应理论的长青评估机制，而是重点量化 AI 系统在真实场景的效用价值。市场营销、及其对 AI 落地的实际经济价值的关联，后在 2025 年 5 月下旬正式对外公开。

② 长青评估机制通过持续维护并动态更新测试内容，

3、但由于其在搜索中心任务上的适应性不足，质疑测评题目难度不断升高的意义，再由大学教授将评估任务转化为评估指标，

② 伴随模型能力演进，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。从而迅速失效的问题。

① 在博客中，并在同期的博文中介绍了该项目的由来和更新过程。

1、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，在评估中得分最低。并发现每次换题后无法追踪 AI 能力的前后可比性。

]article_adlist-->不同模型在招聘和营销领域的表现存在显著差异，Xbench 团队构建了双轨评估体系，

① 在首期测试中，用于跟踪和评估基础模型的能力，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，而并非单纯追求高难度。前往「收件箱」查看完整解读