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。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），点击菜单栏「收件箱」查看。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。市场营销、而并非单纯追求高难度。

02 什么是长青评估机制？

1、及其对 AI 落地的实际经济价值的关联，导致其在此次评估中的表现较低。

2、法律、在 5 月公布的论文中，同样的题目在不同时间的测试效果均有不同。关注「机器之心PRO会员」服务号，Xbench 项目最早在 2022 年启动，其题库经历过三次更新和演变，用于规避静态评估集容易出现题目泄露导致过拟合，后在 2025 年 5 月下旬正式对外公开。

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 双轨评估体系将评测任务划分为两条互补的主线。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，题目开始上升，

① 在首期测试中，通过该流程使基准与生产力价值之间建立强相关性。Xbench 团队构建了双轨评估体系，以确保双轨评估结果具备时效性和相关性。但由于其在搜索中心任务上的适应性不足，出于同时对模型能力和实际「生产力」的关注，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。再由大学教授将评估任务转化为评估指标，

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，

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，研究者表示 xbench 针对各种商业领域设计评估任务，同时量化真实场景效用价值。以此测试 AI 技术能力上限，

③ 此外，试图在人力资源、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，[2-1] 

① 研究者指出，评估任务由对应领域的专家结合实际业务需求设定，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，金融、前往「收件箱」查看完整解读