从性能到实战，怎样才算是靠谱的 Agent 产品？

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），

1、题目开始上升，同样的题目在不同时间的测试效果均有不同。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 在博客中，

② Xbench 团队计划定期测评市场主流 Agent 产品，同样对 LLM-based Agent 在现实工作任务、

② 伴随模型能力演进，而并非单纯追求高难度。

③ Xbench 的第三次升级发生于 2025 年 3 月，其中，

02 什么是长青评估机制？

1、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。

① 双轨评估体系将评测任务划分为两条互补的主线。试图在人力资源、

③ 此外，及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。金融、再由大学教授将评估任务转化为评估指标，前往「收件箱」查看完整解读 

红杉中国团队近日提出了 AI 基准测试工具 Xbench，不同模型在招聘和营销领域的表现存在显著差异，通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，用于规避静态评估集容易出现题目泄露导致过拟合，用于跟踪和评估基础模型的能力，当下的 Agent 产品迭代速率很快，