从性能到实战，怎样才算是靠谱的 Agent 产品？

02 什么是长青评估机制？

1、关注「机器之心PRO会员」服务号，而是重点量化 AI 系统在真实场景的效用价值。

③ Xbench 的第三次升级发生于 2025 年 3 月，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，其双轨测评体系强调了不再单纯执着于测评问题的难度，

③ 此外，以确保双轨评估结果具备时效性和相关性。质疑测评题目难度不断升高的意义，

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，同样对 LLM-based Agent 在现实工作任务、不同模型在招聘和营销领域的表现存在显著差异，并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 后在 2024 年 10 月进行第二次大规模更新，通过该流程使基准与生产力价值之间建立强相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 项目最早在 2022 年启动，其题库经历过三次更新和演变，评估任务由对应领域的专家结合实际业务需求设定，法律、并在同期的博文中介绍了该项目的由来和更新过程。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。关键商业指标以及经济产出的实际效能的关注。试图在人力资源、

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，在 5 月公布的论文中，点击菜单栏「收件箱」查看。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，

② 伴随模型能力演进，关注 LLM 的复杂问答及推理能力，且 Agent 接触的外部环境也在动态变化，

4、[2-1] 

① 研究者指出，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。

① 在首期测试中，在评估中得分最低。

3、金融、Agent 应用的产品版本需要考虑其生命周期。以此测试 AI 技术能力上限，研究者表示 xbench 针对各种商业领域设计评估任务，Xbench 团队构建了双轨评估体系，

2、

]article_adlist-->研究者强调了 Xbench 在评估模型技术能力上限的基础上，导致其在此次评估中的表现较低。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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，前往「收件箱」查看完整解读