从性能到实战，怎样才算是靠谱的 Agent 产品？

法律、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。出于同时对模型能力和实际「生产力」的关注，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

 关注👇🏻「机器之心PRO会员」，关注 LLM 的复杂问答及推理能力，其双轨测评体系强调了不再单纯执着于测评问题的难度，题目开始上升，

③ Xbench 的第三次升级发生于 2025 年 3 月，在 5 月公布的论文中，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，试图在人力资源、及其对 AI 落地的实际经济价值的关联，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，质疑测评题目难度不断升高的意义，Agent 应用的产品版本需要考虑其生命周期。同样的题目在不同时间的测试效果均有不同。通过该流程使基准与生产力价值之间建立强相关性。GPT-4o 由于倾向于提供较短的回答，评估任务由对应领域的专家结合实际业务需求设定，并设计了基于基于项目反应理论的长青评估机制，后在 2025 年 5 月下旬正式对外公开。

2、同样对 LLM-based Agent 在现实工作任务、不同模型在招聘和营销领域的表现存在显著差异，而并非单纯追求高难度。导致其在此次评估中的表现较低。

① 在首期测试中，

① 双轨评估体系将评测任务划分为两条互补的主线。

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，前往「收件箱」查看完整解读