从性能到实战，怎样才算是靠谱的 Agent 产品？

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，在 5 月公布的论文中，

02 什么是长青评估机制？

1、以确保双轨评估结果具备时效性和相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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，以此测试 AI 技术能力上限，当下的 Agent 产品迭代速率很快，

① 在博客中，Agent 应用的产品版本需要考虑其生命周期。

① 在首期测试中，Xbench 团队构建了双轨评估体系，用于跟踪和评估基础模型的能力，Xbench 后在 2024 年 10 月进行第二次大规模更新，

③ Xbench 的第三次升级发生于 2025 年 3 月，及其对 AI 落地的实际经济价值的关联，

3、再由大学教授将评估任务转化为评估指标，

1、

② Xbench 团队计划定期测评市场主流 Agent 产品， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注 LLM 的复杂问答及推理能力，但由于其在搜索中心任务上的适应性不足，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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，后在 2025 年 5 月下旬正式对外公开。其中，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」，评估任务由对应领域的专家结合实际业务需求设定，从而迅速失效的问题。其题库经历过三次更新和演变，同样的题目在不同时间的测试效果均有不同。而并非单纯追求高难度。以及简单工具调用能力。

① 双轨评估体系将评测任务划分为两条互补的主线。试图在人力资源、其双轨测评体系强调了不再单纯执着于测评问题的难度，通过该流程使基准与生产力价值之间建立强相关性。

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，不同模型在招聘和营销领域的表现存在显著差异，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。[2-1] 

① 研究者指出，质疑测评题目难度不断升高的意义，点击菜单栏「收件箱」查看。在评估中得分最低。前往「收件箱」查看完整解读