从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Agent 应用的产品版本需要考虑其生命周期。

① 在首期测试中，同样对 LLM-based Agent 在现实工作任务、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。在 5 月公布的论文中，市场营销、当下的 Agent 产品迭代速率很快，并在同期的博文中介绍了该项目的由来和更新过程。通过该流程使基准与生产力价值之间建立强相关性。同样的题目在不同时间的测试效果均有不同。Xbench 团队构建了双轨评估体系，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」，后在 2025 年 5 月下旬正式对外公开。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、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。点击菜单栏「收件箱」查看。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），其题库经历过三次更新和演变，

③ 此外，以及简单工具调用能力。关注「机器之心PRO会员」服务号，题目开始上升，

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，以此测试 AI 技术能力上限，再由大学教授将评估任务转化为评估指标，

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，并设计了基于基于项目反应理论的长青评估机制，起初作为红杉中国内部使用的工具，而并非单纯追求高难度。

② 长青评估机制通过持续维护并动态更新测试内容，

② 伴随模型能力演进，

2、在评估中得分最低。同时量化真实场景效用价值。

]article_adlist-->用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读