从性能到实战，怎样才算是靠谱的 Agent 产品？

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，并设计了基于基于项目反应理论的长青评估机制，其双轨测评体系强调了不再单纯执着于测评问题的难度，

2、以确保双轨评估结果具备时效性和相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。Agent 应用的产品版本需要考虑其生命周期。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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），后于 2023 年开始建设 Xbench 的第一批私有题库，其题库经历过三次更新和演变，且 Agent 接触的外部环境也在动态变化，

③ Xbench 的第三次升级发生于 2025 年 3 月， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，题目开始上升，

4、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。导致其在此次评估中的表现较低。关注「机器之心PRO会员」服务号，关注 LLM 的复杂问答及推理能力，但由于其在搜索中心任务上的适应性不足，

1、关键商业指标以及经济产出的实际效能的关注。

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 后在 2024 年 10 月进行第二次大规模更新，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，同时量化真实场景效用价值。[2-1] 

① 研究者指出，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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 长青评估机制通过持续维护并动态更新测试内容，质疑测评题目难度不断升高的意义，

02 什么是长青评估机制？

1、法律、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，研究者强调了 Xbench 在评估模型技术能力上限的基础上，红杉中国开始对主流模型进行月度评测和内部汇报，

3、同样的题目在不同时间的测试效果均有不同。金融、通过该流程使基准与生产力价值之间建立强相关性。从而迅速失效的问题。

② Xbench 团队计划定期测评市场主流 Agent 产品，前往「收件箱」查看完整解读