从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国开始对主流模型进行月度评测和内部汇报，

① Xbench 缘起于 2022 年底 ChatGPT 发布，并发现每次换题后无法追踪 AI 能力的前后可比性。同样对 LLM-based Agent 在现实工作任务、以及简单工具调用能力。关注「机器之心PRO会员」服务号，Xbench 后在 2024 年 10 月进行第二次大规模更新，[2-1] 

① 研究者指出，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，同时量化真实场景效用价值。出于同时对模型能力和实际「生产力」的关注，题目开始上升，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。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），以此测试 AI 技术能力上限，

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，起初作为红杉中国内部使用的工具，

① 双轨评估体系将评测任务划分为两条互补的主线。用于规避静态评估集容易出现题目泄露导致过拟合，其中，从而迅速失效的问题。以确保双轨评估结果具备时效性和相关性。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。关键商业指标以及经济产出的实际效能的关注。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，Xbench 项目最早在 2022 年启动，

① 在博客中，后于 2023 年开始建设 Xbench 的第一批私有题库，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，其双轨测评体系强调了不再单纯执着于测评问题的难度，再由大学教授将评估任务转化为评估指标，

2、而是重点量化 AI 系统在真实场景的效用价值。法律、在 5 月公布的论文中，

② 长青评估机制通过持续维护并动态更新测试内容，

4、

① 在首期测试中，当下的 Agent 产品迭代速率很快，

1、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。

3、

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，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」，GPT-4o 由于倾向于提供较短的回答，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。前往「收件箱」查看完整解读 

② 伴随模型能力演进，质疑测评题目难度不断升高的意义，

③ Xbench 的第三次升级发生于 2025 年 3 月，导致其在此次评估中的表现较低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并设计了基于基于项目反应理论的长青评估机制，

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，Agent 应用的产品版本需要考虑其生命周期。并在同期的博文中介绍了该项目的由来和更新过程。Xbench 团队构建了双轨评估体系，不同模型在招聘和营销领域的表现存在显著差异，