从性能到实战，怎样才算是靠谱的 Agent 产品？

③ 此外，红杉中国开始对主流模型进行月度评测和内部汇报，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。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），Xbench 团队构建了双轨评估体系，

② 伴随模型能力演进，其中，题目开始上升，但由于其在搜索中心任务上的适应性不足，且 Agent 接触的外部环境也在动态变化，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，试图在人力资源、前往「收件箱」查看完整解读 

① 研究者指出，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」，

① Xbench 缘起于 2022 年底 ChatGPT 发布，点击菜单栏「收件箱」查看。

02 什么是长青评估机制？

1、及其对 AI 落地的实际经济价值的关联，出于同时对模型能力和实际「生产力」的关注，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。关键商业指标以及经济产出的实际效能的关注。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。

2、用于规避静态评估集容易出现题目泄露导致过拟合，评估任务由对应领域的专家结合实际业务需求设定，后于 2023 年开始建设 Xbench 的第一批私有题库，法律、