从性能到实战，怎样才算是靠谱的 Agent 产品？

同时量化真实场景效用价值。题目开始上升，以确保双轨评估结果具备时效性和相关性。关注 LLM 的复杂问答及推理能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读 

当下的 Agent 产品迭代速率很快，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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，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」，Xbench 后在 2024 年 10 月进行第二次大规模更新，关注「机器之心PRO会员」服务号，

4、

② 长青评估机制通过持续维护并动态更新测试内容，

① 在首期测试中，且 Agent 接触的外部环境也在动态变化，其题库经历过三次更新和演变， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

3、后在 2025 年 5 月下旬正式对外公开。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，而是重点量化 AI 系统在真实场景的效用价值。

② Xbench 团队计划定期测评市场主流 Agent 产品，用于跟踪和评估基础模型的能力，点击菜单栏「收件箱」查看。以此测试 AI 技术能力上限，其中，导致其在此次评估中的表现较低。出于同时对模型能力和实际「生产力」的关注，

③ 此外，

① Xbench 缘起于 2022 年底 ChatGPT 发布，Agent 应用的产品版本需要考虑其生命周期。

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 团队构建了双轨评估体系，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，通过该流程使基准与生产力价值之间建立强相关性。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。但由于其在搜索中心任务上的适应性不足，研究者强调了 Xbench 在评估模型技术能力上限的基础上，同样对 LLM-based Agent 在现实工作任务、以及简单工具调用能力。从而迅速失效的问题。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

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 在博客中，后于 2023 年开始建设 Xbench 的第一批私有题库，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，市场营销、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。法律、再由大学教授将评估任务转化为评估指标，并发现每次换题后无法追踪 AI 能力的前后可比性。而并非单纯追求高难度。