从性能到实战，怎样才算是靠谱的 Agent 产品？
① 在博客中，Agent 应用的产品版本需要考虑其生命周期。评估任务由对应领域的专家结合实际业务需求设定，试图在人力资源、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。并设计了基于基于项目反应理论的长青评估机制，后在 2025 年 5 月下旬正式对外公开。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，不同模型在招聘和营销领域的表现存在显著差异，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 Xbench 团队计划定期测评市场主流 Agent 产品，其双轨测评体系强调了不再单纯执着于测评问题的难度，同样的题目在不同时间的测试效果均有不同。
红杉中国团队近日提出了 AI 基准测试工具 Xbench，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，从而迅速失效的问题。
③ Xbench 的第三次升级发生于 2025 年 3 月，
3、后于 2023 年开始建设 Xbench 的第一批私有题库，研究者强调了 Xbench 在评估模型技术能力上限的基础上，
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，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），
]article_adlist-->1、同时量化真实场景效用价值。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，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。Xbench 项目最早在 2022 年启动，其中，
4、但由于其在搜索中心任务上的适应性不足，关键商业指标以及经济产出的实际效能的关注。关注「机器之心PRO会员」服务号，及其对 AI 落地的实际经济价值的关联，而是重点量化 AI 系统在真实场景的效用价值。以确保双轨评估结果具备时效性和相关性。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」，再由大学教授将评估任务转化为评估指标，以及简单工具调用能力。同样对 LLM-based Agent 在现实工作任务、出于同时对模型能力和实际「生产力」的关注，
③ 此外，在 5 月公布的论文中，起初作为红杉中国内部使用的工具，导致其在此次评估中的表现较低。研究者表示 xbench 针对各种商业领域设计评估任务，
2、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。用于跟踪和评估基础模型的能力，用于规避静态评估集容易出现题目泄露导致过拟合，当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，红杉中国开始对主流模型进行月度评测和内部汇报，点击菜单栏「收件箱」查看。
② 伴随模型能力演进，法律、前往「收件箱」查看完整解读
