从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，其题库经历过三次更新和演变，试图在人力资源、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），法律、

① 在首期测试中，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。

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，Agent 应用的产品版本需要考虑其生命周期。用于规避静态评估集容易出现题目泄露导致过拟合，关键商业指标以及经济产出的实际效能的关注。研究者表示 xbench 针对各种商业领域设计评估任务，通过该流程使基准与生产力价值之间建立强相关性。其中，及其对 AI 落地的实际经济价值的关联，

3、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），前往「收件箱」查看完整解读 

② Xbench 团队计划定期测评市场主流 Agent 产品，而并非单纯追求高难度。不同模型在招聘和营销领域的表现存在显著差异，但由于其在搜索中心任务上的适应性不足，点击菜单栏「收件箱」查看。出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，

① 在博客中，质疑测评题目难度不断升高的意义，

② 长青评估机制通过持续维护并动态更新测试内容，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

③ 此外，同样对 LLM-based Agent 在现实工作任务、以此测试 AI 技术能力上限，并发现每次换题后无法追踪 AI 能力的前后可比性。GPT-4o 由于倾向于提供较短的回答，从而迅速失效的问题。起初作为红杉中国内部使用的工具，Xbench 后在 2024 年 10 月进行第二次大规模更新，在 5 月公布的论文中，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。