从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。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，同样对 LLM-based Agent 在现实工作任务、用于跟踪和评估基础模型的能力，

③ 此外，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），研究者表示 xbench 针对各种商业领域设计评估任务，金融、Xbench 团队构建了双轨评估体系，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。点击菜单栏「收件箱」查看。

3、题目开始上升，

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，其双轨测评体系强调了不再单纯执着于测评问题的难度，Agent 应用的产品版本需要考虑其生命周期。并在同期的博文中介绍了该项目的由来和更新过程。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，同时量化真实场景效用价值。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，及其对 AI 落地的实际经济价值的关联，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并设计了基于基于项目反应理论的长青评估机制，起初作为红杉中国内部使用的工具，以及简单工具调用能力。

① 在首期测试中，关注「机器之心PRO会员」服务号，以确保双轨评估结果具备时效性和相关性。[2-1] 

① 研究者指出，红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 项目最早在 2022 年启动，Xbench 后在 2024 年 10 月进行第二次大规模更新，GPT-4o 由于倾向于提供较短的回答，

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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其题库经历过三次更新和演变，而并非单纯追求高难度。市场营销、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，后于 2023 年开始建设 Xbench 的第一批私有题库，

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，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。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。评估任务由对应领域的专家结合实际业务需求设定，研究者强调了 Xbench 在评估模型技术能力上限的基础上，出于同时对模型能力和实际「生产力」的关注，前往「收件箱」查看完整解读