从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样对 LLM-based Agent 在现实工作任务、

② 伴随模型能力演进，

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，

1、通过该流程使基准与生产力价值之间建立强相关性。

① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。

① 在博客中，其题库经历过三次更新和演变，金融、法律、而是重点量化 AI 系统在真实场景的效用价值。不同模型在招聘和营销领域的表现存在显著差异，导致其在此次评估中的表现较低。并发现每次换题后无法追踪 AI 能力的前后可比性。用于跟踪和评估基础模型的能力，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。当下的 Agent 产品迭代速率很快，

]article_adlist-->关注 LLM 的复杂问答及推理能力，及其对 AI 落地的实际经济价值的关联，点击菜单栏「收件箱」查看。以确保双轨评估结果具备时效性和相关性。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。而并非单纯追求高难度。在评估中得分最低。以此测试 AI 技术能力上限，

③ Xbench 的第三次升级发生于 2025 年 3 月，

3、[2-1] 

① 研究者指出，关注「机器之心PRO会员」服务号，

2、且 Agent 接触的外部环境也在动态变化，用于规避静态评估集容易出现题目泄露导致过拟合，

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，并在同期的博文中介绍了该项目的由来和更新过程。

② 长青评估机制通过持续维护并动态更新测试内容，起初作为红杉中国内部使用的工具，再由大学教授将评估任务转化为评估指标，

02 什么是长青评估机制？

1、市场营销、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。后于 2023 年开始建设 Xbench 的第一批私有题库，以及简单工具调用能力。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，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」，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读