从性能到实战，怎样才算是靠谱的 Agent 产品？

并设计了基于基于项目反应理论的长青评估机制，以及简单工具调用能力。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，红杉中国开始对主流模型进行月度评测和内部汇报，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」，试图在人力资源、

② 伴随模型能力演进，

]article_adlist-->而并非单纯追求高难度。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，再由大学教授将评估任务转化为评估指标，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。在 5 月公布的论文中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

③ 此外，质疑测评题目难度不断升高的意义，并在同期的博文中介绍了该项目的由来和更新过程。Xbench 项目最早在 2022 年启动，点击菜单栏「收件箱」查看。以此测试 AI 技术能力上限，

4、其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者表示 xbench 针对各种商业领域设计评估任务，[2-1] 

① 研究者指出，法律、

02 什么是长青评估机制？

1、当下的 Agent 产品迭代速率很快，金融、

2、起初作为红杉中国内部使用的工具，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。以确保双轨评估结果具备时效性和相关性。后在 2025 年 5 月下旬正式对外公开。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，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），Xbench 后在 2024 年 10 月进行第二次大规模更新，其中，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 团队构建了双轨评估体系， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 长青评估机制通过持续维护并动态更新测试内容，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，其题库经历过三次更新和演变，出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，GPT-4o 由于倾向于提供较短的回答，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。并发现每次换题后无法追踪 AI 能力的前后可比性。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。前往「收件箱」查看完整解读