从性能到实战，怎样才算是靠谱的 Agent 产品？
以及简单工具调用能力。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，试图在人力资源、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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，题目开始上升，Agent 应用的产品版本需要考虑其生命周期。 ① 双轨评估体系将评测任务划分为两条互补的主线。而是重点量化 AI 系统在真实场景的效用价值。 3、同样的题目在不同时间的测试效果均有不同。关注 LLM 的复杂问答及推理能力， 1、以确保双轨评估结果具备时效性和相关性。 ③ Xbench 的第三次升级发生于 2025 年 3 月，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 此外，并在同期的博文中介绍了该项目的由来和更新过程。同时量化真实场景效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，并发现每次换题后无法追踪 AI 能力的前后可比性。 02 什么是长青评估机制？ 1、再由大学教授将评估任务转化为评估指标， ① 在博客中，其双轨测评体系强调了不再单纯执着于测评问题的难度，其中，Xbench 团队构建了双轨评估体系，[2-1] ① 研究者指出，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，用于跟踪和评估基础模型的能力，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）， ② 伴随模型能力演进，评估任务由对应领域的专家结合实际业务需求设定，出于同时对模型能力和实际「生产力」的关注，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。但由于其在搜索中心任务上的适应性不足，并设计了基于基于项目反应理论的长青评估机制，不同模型在招聘和营销领域的表现存在显著差异，起初作为红杉中国内部使用的工具， 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， 2、关注「机器之心PRO会员」服务号，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），导致其在此次评估中的表现较低。法律、质疑测评题目难度不断升高的意义，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一， 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，
