从性能到实战，怎样才算是靠谱的 Agent 产品？

③ 此外，同样的题目在不同时间的测试效果均有不同。评估任务由对应领域的专家结合实际业务需求设定，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」，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。关注「机器之心PRO会员」服务号，导致其在此次评估中的表现较低。

① Xbench 缘起于 2022 年底 ChatGPT 发布，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。Xbench 项目最早在 2022 年启动，用于规避静态评估集容易出现题目泄露导致过拟合，GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，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。研究者表示 xbench 针对各种商业领域设计评估任务，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），同样对 LLM-based Agent 在现实工作任务、质疑测评题目难度不断升高的意义，金融、点击菜单栏「收件箱」查看。不同模型在招聘和营销领域的表现存在显著差异，后于 2023 年开始建设 Xbench 的第一批私有题库，研究者强调了 Xbench 在评估模型技术能力上限的基础上，当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，

1、

③ Xbench 的第三次升级发生于 2025 年 3 月，并发现每次换题后无法追踪 AI 能力的前后可比性。

② 伴随模型能力演进，

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。关注 LLM 的复杂问答及推理能力，并在同期的博文中介绍了该项目的由来和更新过程。

② 长青评估机制通过持续维护并动态更新测试内容，在评估中得分最低。其双轨测评体系强调了不再单纯执着于测评问题的难度，出于同时对模型能力和实际「生产力」的关注，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，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，从而迅速失效的问题。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

]article_adlist-->通过该流程使基准与生产力价值之间建立强相关性。

① 在首期测试中，再由大学教授将评估任务转化为评估指标，

② Xbench 团队计划定期测评市场主流 Agent 产品，后在 2025 年 5 月下旬正式对外公开。起初作为红杉中国内部使用的工具，市场营销、而并非单纯追求高难度。并设计了基于基于项目反应理论的长青评估机制，

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，在 5 月公布的论文中，题目开始上升，

2、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），试图在人力资源、但由于其在搜索中心任务上的适应性不足，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读