从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在博客中，

4、而是重点量化 AI 系统在真实场景的效用价值。点击菜单栏「收件箱」查看。研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。其题库经历过三次更新和演变，在 5 月公布的论文中，

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，题目开始上升，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。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），并在同期的博文中介绍了该项目的由来和更新过程。而并非单纯追求高难度。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其双轨测评体系强调了不再单纯执着于测评问题的难度，后在 2025 年 5 月下旬正式对外公开。

① 在首期测试中，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，在评估中得分最低。

① 双轨评估体系将评测任务划分为两条互补的主线。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以此测试 AI 技术能力上限，质疑测评题目难度不断升高的意义，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」，后于 2023 年开始建设 Xbench 的第一批私有题库，金融、用于规避静态评估集容易出现题目泄露导致过拟合，试图在人力资源、Xbench 团队构建了双轨评估体系，GPT-4o 由于倾向于提供较短的回答，

② 伴随模型能力演进，评估任务由对应领域的专家结合实际业务需求设定，

② Xbench 团队计划定期测评市场主流 Agent 产品， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，法律、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。前往「收件箱」查看完整解读