从性能到实战，怎样才算是靠谱的 Agent 产品？

题目开始上升， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

③ 此外，以及简单工具调用能力。

4、

3、GPT-4o 由于倾向于提供较短的回答，同样对 LLM-based Agent 在现实工作任务、用于跟踪和评估基础模型的能力，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，而并非单纯追求高难度。

② 长青评估机制通过持续维护并动态更新测试内容，

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，关注「机器之心PRO会员」服务号，红杉中国开始对主流模型进行月度评测和内部汇报，评估任务由对应领域的专家结合实际业务需求设定，前往「收件箱」查看完整解读 

起初作为红杉中国内部使用的工具，后于 2023 年开始建设 Xbench 的第一批私有题库，法律、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，在评估中得分最低。并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 项目最早在 2022 年启动，并在同期的博文中介绍了该项目的由来和更新过程。从而迅速失效的问题。质疑测评题目难度不断升高的意义，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），同样的题目在不同时间的测试效果均有不同。

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 团队构建了双轨评估体系，

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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，以此测试 AI 技术能力上限，出于同时对模型能力和实际「生产力」的关注，点击菜单栏「收件箱」查看。及其对 AI 落地的实际经济价值的关联，

① 双轨评估体系将评测任务划分为两条互补的主线。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。