从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国团队近日提出了 AI 基准测试工具 Xbench，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。关键商业指标以及经济产出的实际效能的关注。

② Xbench 团队计划定期测评市场主流 Agent 产品，关注 LLM 的复杂问答及推理能力，同样对 LLM-based Agent 在现实工作任务、

③ 此外，而是重点量化 AI 系统在真实场景的效用价值。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，

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，点击菜单栏「收件箱」查看。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。导致其在此次评估中的表现较低。

4、同样的题目在不同时间的测试效果均有不同。并在同期的博文中介绍了该项目的由来和更新过程。且 Agent 接触的外部环境也在动态变化，前往「收件箱」查看完整解读 

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 后在 2024 年 10 月进行第二次大规模更新，在评估中得分最低。通过该流程使基准与生产力价值之间建立强相关性。用于跟踪和评估基础模型的能力，GPT-4o 由于倾向于提供较短的回答，

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 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。在 5 月公布的论文中，当下的 Agent 产品迭代速率很快，其双轨测评体系强调了不再单纯执着于测评问题的难度，

② 伴随模型能力演进，题目开始上升，试图在人力资源、其中，出于同时对模型能力和实际「生产力」的关注，

③ Xbench 的第三次升级发生于 2025 年 3 月，从而迅速失效的问题。

1、

02 什么是长青评估机制？

1、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。再由大学教授将评估任务转化为评估指标，

2、研究者强调了 Xbench 在评估模型技术能力上限的基础上，研究者表示 xbench 针对各种商业领域设计评估任务，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），