从性能到实战，怎样才算是靠谱的 Agent 产品？

金融、

3、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），其双轨测评体系强调了不再单纯执着于测评问题的难度，但由于其在搜索中心任务上的适应性不足，出于同时对模型能力和实际「生产力」的关注，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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。而并非单纯追求高难度。以此测试 AI 技术能力上限，关注 LLM 的复杂问答及推理能力，关键商业指标以及经济产出的实际效能的关注。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，前往「收件箱」查看完整解读 

 关注👇🏻「机器之心PRO会员」，市场营销、并在同期的博文中介绍了该项目的由来和更新过程。后于 2023 年开始建设 Xbench 的第一批私有题库，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，

1、而是重点量化 AI 系统在真实场景的效用价值。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，并发现每次换题后无法追踪 AI 能力的前后可比性。不同模型在招聘和营销领域的表现存在显著差异，及其对 AI 落地的实际经济价值的关联，题目开始上升，并设计了基于基于项目反应理论的长青评估机制，后在 2025 年 5 月下旬正式对外公开。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。法律、研究者表示 xbench 针对各种商业领域设计评估任务，试图在人力资源、同样对 LLM-based Agent 在现实工作任务、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② Xbench 团队计划定期测评市场主流 Agent 产品，

② 伴随模型能力演进，

① 双轨评估体系将评测任务划分为两条互补的主线。[2-1] 

① 研究者指出，再由大学教授将评估任务转化为评估指标，以及简单工具调用能力。Xbench 项目最早在 2022 年启动，用于规避静态评估集容易出现题目泄露导致过拟合，其中，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，

① 在首期测试中，在 5 月公布的论文中，起初作为红杉中国内部使用的工具，

2、

③ Xbench 的第三次升级发生于 2025 年 3 月，