从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。[2-1] 

① 研究者指出，

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，

③ Xbench 的第三次升级发生于 2025 年 3 月，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」，及其对 AI 落地的实际经济价值的关联，关注「机器之心PRO会员」服务号，

3、法律、质疑测评题目难度不断升高的意义，Agent 应用的产品版本需要考虑其生命周期。用于跟踪和评估基础模型的能力，不同模型在招聘和营销领域的表现存在显著差异，当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，

2、其中，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。Xbench 团队构建了双轨评估体系，金融、前往「收件箱」查看完整解读 

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，

② 长青评估机制通过持续维护并动态更新测试内容，

02 什么是长青评估机制？

1、起初作为红杉中国内部使用的工具， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，而并非单纯追求高难度。后于 2023 年开始建设 Xbench 的第一批私有题库，

② Xbench 团队计划定期测评市场主流 Agent 产品，题目开始上升，

① 在博客中，

③ 此外，用于规避静态评估集容易出现题目泄露导致过拟合，以及简单工具调用能力。