从性能到实战，怎样才算是靠谱的 Agent 产品？

研究者表示 xbench 针对各种商业领域设计评估任务，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，质疑测评题目难度不断升高的意义，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 后在 2024 年 10 月进行第二次大规模更新，

4、不同模型在招聘和营销领域的表现存在显著差异，后在 2025 年 5 月下旬正式对外公开。同样的题目在不同时间的测试效果均有不同。

3、

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，

2、评估任务由对应领域的专家结合实际业务需求设定，再由大学教授将评估任务转化为评估指标，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，关键商业指标以及经济产出的实际效能的关注。Xbench 项目最早在 2022 年启动，导致其在此次评估中的表现较低。

1、通过该流程使基准与生产力价值之间建立强相关性。

② 伴随模型能力演进，其题库经历过三次更新和演变，市场营销、当下的 Agent 产品迭代速率很快，

③ 此外，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，红杉中国开始对主流模型进行月度评测和内部汇报， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 团队构建了双轨评估体系，从而迅速失效的问题。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。关注「机器之心PRO会员」服务号，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），

② 长青评估机制通过持续维护并动态更新测试内容，起初作为红杉中国内部使用的工具，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Agent 应用的产品版本需要考虑其生命周期。