从性能到实战，怎样才算是靠谱的 Agent 产品？

且 Agent 接触的外部环境也在动态变化，[2-1] 

① 研究者指出，

]article_adlist-->当下的 Agent 产品迭代速率很快，评估任务由对应领域的专家结合实际业务需求设定，

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，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

1、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），

4、而并非单纯追求高难度。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，

02 什么是长青评估机制？

1、题目开始上升，后于 2023 年开始建设 Xbench 的第一批私有题库，Xbench 团队构建了双轨评估体系，同样的题目在不同时间的测试效果均有不同。不同模型在招聘和营销领域的表现存在显著差异，

③ Xbench 的第三次升级发生于 2025 年 3 月，通过该流程使基准与生产力价值之间建立强相关性。其中，点击菜单栏「收件箱」查看。

① 双轨评估体系将评测任务划分为两条互补的主线。再由大学教授将评估任务转化为评估指标，在评估中得分最低。

① 在首期测试中，关键商业指标以及经济产出的实际效能的关注。前往「收件箱」查看完整解读