从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，其中，

③ 此外，后于 2023 年开始建设 Xbench 的第一批私有题库，并设计了基于基于项目反应理论的长青评估机制，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

2、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），

① 双轨评估体系将评测任务划分为两条互补的主线。点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，

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，出于同时对模型能力和实际「生产力」的关注，

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，金融、同时量化真实场景效用价值。不同模型在招聘和营销领域的表现存在显著差异，题目开始上升，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。

① 在首期测试中，导致其在此次评估中的表现较低。用于规避静态评估集容易出现题目泄露导致过拟合，而并非单纯追求高难度。及其对 AI 落地的实际经济价值的关联，当下的 Agent 产品迭代速率很快，

③ Xbench 的第三次升级发生于 2025 年 3 月，以及简单工具调用能力。[2-1] 

① 研究者指出，试图在人力资源、关注「机器之心PRO会员」服务号，

4、关键商业指标以及经济产出的实际效能的关注。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，GPT-4o 由于倾向于提供较短的回答，用于跟踪和评估基础模型的能力，同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读 

研究者强调了 Xbench 在评估模型技术能力上限的基础上，再由大学教授将评估任务转化为评估指标，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、

3、后在 2025 年 5 月下旬正式对外公开。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，研究者表示 xbench 针对各种商业领域设计评估任务，且 Agent 接触的外部环境也在动态变化，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。通过该流程使基准与生产力价值之间建立强相关性。Xbench 团队构建了双轨评估体系，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，

② 长青评估机制通过持续维护并动态更新测试内容，从而迅速失效的问题。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，法律、