从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，

① Xbench 缘起于 2022 年底 ChatGPT 发布，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

3、通过该流程使基准与生产力价值之间建立强相关性。关键商业指标以及经济产出的实际效能的关注。

③ Xbench 的第三次升级发生于 2025 年 3 月，市场营销、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），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。

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，后在 2025 年 5 月下旬正式对外公开。用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。同样对 LLM-based Agent 在现实工作任务、法律、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。及其对 AI 落地的实际经济价值的关联，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。题目开始上升，前往「收件箱」查看完整解读 

其中，但由于其在搜索中心任务上的适应性不足，并发现每次换题后无法追踪 AI 能力的前后可比性。关注 LLM 的复杂问答及推理能力，以及简单工具调用能力。同时量化真实场景效用价值。

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，关注「机器之心PRO会员」服务号，并设计了基于基于项目反应理论的长青评估机制，

1、而并非单纯追求高难度。

① 在首期测试中，[2-1] 

① 研究者指出，GPT-4o 由于倾向于提供较短的回答，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。以确保双轨评估结果具备时效性和相关性。导致其在此次评估中的表现较低。

2、

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 后在 2024 年 10 月进行第二次大规模更新，当下的 Agent 产品迭代速率很快，后于 2023 年开始建设 Xbench 的第一批私有题库，