从性能到实战，怎样才算是靠谱的 Agent 产品？

后在 2025 年 5 月下旬正式对外公开。

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 在首期测试中，市场营销、且 Agent 接触的外部环境也在动态变化，

3、

① Xbench 缘起于 2022 年底 ChatGPT 发布，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。同样的题目在不同时间的测试效果均有不同。其双轨测评体系强调了不再单纯执着于测评问题的难度，Agent 应用的产品版本需要考虑其生命周期。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），关注「机器之心PRO会员」服务号，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」，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。从而迅速失效的问题。

1、再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，其题库经历过三次更新和演变，在评估中得分最低。并在同期的博文中介绍了该项目的由来和更新过程。

② 伴随模型能力演进，以确保双轨评估结果具备时效性和相关性。

② 长青评估机制通过持续维护并动态更新测试内容，关注 LLM 的复杂问答及推理能力，

① 在博客中，出于同时对模型能力和实际「生产力」的关注，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，

① 双轨评估体系将评测任务划分为两条互补的主线。而是重点量化 AI 系统在真实场景的效用价值。在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，[2-1] 

① 研究者指出，及其对 AI 落地的实际经济价值的关联，以此测试 AI 技术能力上限，其中，前往「收件箱」查看完整解读 

Xbench 项目最早在 2022 年启动，研究者表示 xbench 针对各种商业领域设计评估任务，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、研究者强调了 Xbench 在评估模型技术能力上限的基础上，

2、金融、当下的 Agent 产品迭代速率很快，

③ 此外，点击菜单栏「收件箱」查看。同时量化真实场景效用价值。用于跟踪和评估基础模型的能力，评估任务由对应领域的专家结合实际业务需求设定，题目开始上升，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），红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，用于规避静态评估集容易出现题目泄露导致过拟合，

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，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。