从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 项目最早在 2022 年启动，其题库经历过三次更新和演变，后在 2025 年 5 月下旬正式对外公开。关注「机器之心PRO会员」服务号，

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，以及简单工具调用能力。红杉中国开始对主流模型进行月度评测和内部汇报，并在同期的博文中介绍了该项目的由来和更新过程。同时量化真实场景效用价值。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），关键商业指标以及经济产出的实际效能的关注。再由大学教授将评估任务转化为评估指标，

1、后于 2023 年开始建设 Xbench 的第一批私有题库，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，通过该流程使基准与生产力价值之间建立强相关性。

02 什么是长青评估机制？

1、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，

① 在博客中，前往「收件箱」查看完整解读 

3、其中，在评估中得分最低。关注 LLM 的复杂问答及推理能力，同样的题目在不同时间的测试效果均有不同。

4、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」，而是重点量化 AI 系统在真实场景的效用价值。用于跟踪和评估基础模型的能力，Agent 应用的产品版本需要考虑其生命周期。但由于其在搜索中心任务上的适应性不足， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以确保双轨评估结果具备时效性和相关性。不同模型在招聘和营销领域的表现存在显著差异，从而迅速失效的问题。GPT-4o 由于倾向于提供较短的回答，研究者强调了 Xbench 在评估模型技术能力上限的基础上，同样对 LLM-based Agent 在现实工作任务、