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，点击菜单栏「收件箱」查看。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同样的题目在不同时间的测试效果均有不同。

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，及其对 AI 落地的实际经济价值的关联，同样对 LLM-based Agent 在现实工作任务、从而迅速失效的问题。

① 在首期测试中，并设计了基于基于项目反应理论的长青评估机制，

③ Xbench 的第三次升级发生于 2025 年 3 月，其双轨测评体系强调了不再单纯执着于测评问题的难度，起初作为红杉中国内部使用的工具，[2-1] 

① 研究者指出，后在 2025 年 5 月下旬正式对外公开。研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。

② 伴随模型能力演进，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），评估任务由对应领域的专家结合实际业务需求设定，其题库经历过三次更新和演变，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），前往「收件箱」查看完整解读 

1、

02 什么是长青评估机制？

1、

③ 此外，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以此测试 AI 技术能力上限，不同模型在招聘和营销领域的表现存在显著差异，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。

① 在博客中，以及简单工具调用能力。再由大学教授将评估任务转化为评估指标，通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注，研究者表示 xbench 针对各种商业领域设计评估任务，在评估中得分最低。市场营销、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，Agent 应用的产品版本需要考虑其生命周期。以确保双轨评估结果具备时效性和相关性。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」，