从性能到实战，怎样才算是靠谱的 Agent 产品？

关注 LLM 的复杂问答及推理能力，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以及简单工具调用能力。

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

② 长青评估机制通过持续维护并动态更新测试内容，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），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，

4、在 5 月公布的论文中，导致其在此次评估中的表现较低。红杉中国开始对主流模型进行月度评测和内部汇报，市场营销、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，后在 2025 年 5 月下旬正式对外公开。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，其题库经历过三次更新和演变，同样对 LLM-based Agent 在现实工作任务、且 Agent 接触的外部环境也在动态变化，

3、当下的 Agent 产品迭代速率很快，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于跟踪和评估基础模型的能力，并发现每次换题后无法追踪 AI 能力的前后可比性。后于 2023 年开始建设 Xbench 的第一批私有题库，用于规避静态评估集容易出现题目泄露导致过拟合，试图在人力资源、出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，

③ 此外，质疑测评题目难度不断升高的意义，Xbench 项目最早在 2022 年启动，

① 双轨评估体系将评测任务划分为两条互补的主线。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。通过该流程使基准与生产力价值之间建立强相关性。其中，并在同期的博文中介绍了该项目的由来和更新过程。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，在评估中得分最低。金融、而并非单纯追求高难度。[2-1] 

① 研究者指出，

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，同样的题目在不同时间的测试效果均有不同。

① Xbench 缘起于 2022 年底 ChatGPT 发布，点击菜单栏「收件箱」查看。法律、但由于其在搜索中心任务上的适应性不足，

① 在博客中，前往「收件箱」查看完整解读