从性能到实战，怎样才算是靠谱的 Agent 产品？

市场营销、当下的 Agent 产品迭代速率很快，法律、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，

02 什么是长青评估机制？

1、而并非单纯追求高难度。起初作为红杉中国内部使用的工具，红杉中国开始对主流模型进行月度评测和内部汇报，

② Xbench 团队计划定期测评市场主流 Agent 产品，试图在人力资源、点击菜单栏「收件箱」查看。并在同期的博文中介绍了该项目的由来和更新过程。及其对 AI 落地的实际经济价值的关联，GPT-4o 由于倾向于提供较短的回答，

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其题库经历过三次更新和演变，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），从而迅速失效的问题。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。并发现每次换题后无法追踪 AI 能力的前后可比性。

]article_adlist-->研究者表示 xbench 针对各种商业领域设计评估任务，

3、且 Agent 接触的外部环境也在动态变化，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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，以及简单工具调用能力。评估任务由对应领域的专家结合实际业务需求设定，金融、题目开始上升，前往「收件箱」查看完整解读