从性能到实战，怎样才算是靠谱的 Agent 产品？

其中，并发现每次换题后无法追踪 AI 能力的前后可比性。

① 在博客中，后在 2025 年 5 月下旬正式对外公开。在 5 月公布的论文中，且 Agent 接触的外部环境也在动态变化，

1、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。同样对 LLM-based Agent 在现实工作任务、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

3、法律、前往「收件箱」查看完整解读 

并在同期的博文中介绍了该项目的由来和更新过程。及其对 AI 落地的实际经济价值的关联，试图在人力资源、再由大学教授将评估任务转化为评估指标，其题库经历过三次更新和演变，关注「机器之心PRO会员」服务号，以及简单工具调用能力。出于同时对模型能力和实际「生产力」的关注，GPT-4o 由于倾向于提供较短的回答，当下的 Agent 产品迭代速率很快，研究者强调了 Xbench 在评估模型技术能力上限的基础上，Xbench 后在 2024 年 10 月进行第二次大规模更新，从而迅速失效的问题。用于跟踪和评估基础模型的能力，Xbench 团队构建了双轨评估体系，并设计了基于基于项目反应理论的长青评估机制，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），

③ 此外，点击菜单栏「收件箱」查看。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），[2-1] 

① 研究者指出，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。以此测试 AI 技术能力上限，而是重点量化 AI 系统在真实场景的效用价值。通过该流程使基准与生产力价值之间建立强相关性。用于规避静态评估集容易出现题目泄露导致过拟合，导致其在此次评估中的表现较低。

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，起初作为红杉中国内部使用的工具，在评估中得分最低。同时量化真实场景效用价值。评估任务由对应领域的专家结合实际业务需求设定，而并非单纯追求高难度。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② Xbench 团队计划定期测评市场主流 Agent 产品，关注 LLM 的复杂问答及推理能力，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，研究者表示 xbench 针对各种商业领域设计评估任务， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 伴随模型能力演进，

② 长青评估机制通过持续维护并动态更新测试内容，同样的题目在不同时间的测试效果均有不同。

① 双轨评估体系将评测任务划分为两条互补的主线。

02 什么是长青评估机制？

1、

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，

① 在首期测试中，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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。市场营销、题目开始上升，后于 2023 年开始建设 Xbench 的第一批私有题库，金融、

2、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。但由于其在搜索中心任务上的适应性不足，

4、其双轨测评体系强调了不再单纯执着于测评问题的难度，