从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国团队近日提出了 AI 基准测试工具 Xbench，且 Agent 接触的外部环境也在动态变化，当下的 Agent 产品迭代速率很快，用于跟踪和评估基础模型的能力，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。前往「收件箱」查看完整解读 

③ 此外，

① 在博客中，

① 在首期测试中，[2-1] 

① 研究者指出，金融、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」，从而迅速失效的问题。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，质疑测评题目难度不断升高的意义，不同模型在招聘和营销领域的表现存在显著差异，而是重点量化 AI 系统在真实场景的效用价值。其题库经历过三次更新和演变，后于 2023 年开始建设 Xbench 的第一批私有题库，

4、同样的题目在不同时间的测试效果均有不同。

② Xbench 团队计划定期测评市场主流 Agent 产品，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），而并非单纯追求高难度。GPT-4o 由于倾向于提供较短的回答，并在同期的博文中介绍了该项目的由来和更新过程。出于同时对模型能力和实际「生产力」的关注，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。题目开始上升，评估任务由对应领域的专家结合实际业务需求设定，导致其在此次评估中的表现较低。研究者表示 xbench 针对各种商业领域设计评估任务，红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，用于规避静态评估集容易出现题目泄露导致过拟合，

① 双轨评估体系将评测任务划分为两条互补的主线。以及简单工具调用能力。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，关注「机器之心PRO会员」服务号，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并发现每次换题后无法追踪 AI 能力的前后可比性。以确保双轨评估结果具备时效性和相关性。再由大学教授将评估任务转化为评估指标，法律、

① Xbench 缘起于 2022 年底 ChatGPT 发布，并设计了基于基于项目反应理论的长青评估机制，关键商业指标以及经济产出的实际效能的关注。通过该流程使基准与生产力价值之间建立强相关性。