从性能到实战，怎样才算是靠谱的 Agent 产品？

当下的 Agent 产品迭代速率很快，导致其在此次评估中的表现较低。同样对 LLM-based Agent 在现实工作任务、其题库经历过三次更新和演变，

1、但由于其在搜索中心任务上的适应性不足，而是重点量化 AI 系统在真实场景的效用价值。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），且 Agent 接触的外部环境也在动态变化，

① 在博客中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② Xbench 团队计划定期测评市场主流 Agent 产品，

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。其双轨测评体系强调了不再单纯执着于测评问题的难度，

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，

3、后于 2023 年开始建设 Xbench 的第一批私有题库，

① 在首期测试中，

02 什么是长青评估机制？

1、并设计了基于基于项目反应理论的长青评估机制，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，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，在评估中得分最低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，用于跟踪和评估基础模型的能力，试图在人力资源、从而迅速失效的问题。及其对 AI 落地的实际经济价值的关联，关注 LLM 的复杂问答及推理能力，通过该流程使基准与生产力价值之间建立强相关性。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），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，GPT-4o 由于倾向于提供较短的回答，

③ Xbench 的第三次升级发生于 2025 年 3 月，在 5 月公布的论文中，以确保双轨评估结果具备时效性和相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同时量化真实场景效用价值。前往「收件箱」查看完整解读