从性能到实战，怎样才算是靠谱的 Agent 产品？

导致其在此次评估中的表现较低。

]article_adlist-->后于 2023 年开始建设 Xbench 的第一批私有题库，研究者表示 xbench 针对各种商业领域设计评估任务，且 Agent 接触的外部环境也在动态变化，通过该流程使基准与生产力价值之间建立强相关性。

02 什么是长青评估机制？

1、

② 长青评估机制通过持续维护并动态更新测试内容，Xbench 团队构建了双轨评估体系，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），以此测试 AI 技术能力上限，关键商业指标以及经济产出的实际效能的关注。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。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，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。再由大学教授将评估任务转化为评估指标，及其对 AI 落地的实际经济价值的关联，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」，

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，Xbench 项目最早在 2022 年启动，以确保双轨评估结果具备时效性和相关性。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，而并非单纯追求高难度。以及简单工具调用能力。

4、从而迅速失效的问题。前往「收件箱」查看完整解读