从性能到实战，怎样才算是靠谱的 Agent 产品？

2、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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其双轨测评体系强调了不再单纯执着于测评问题的难度，同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读 

而是重点量化 AI 系统在真实场景的效用价值。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，题目开始上升，并发现每次换题后无法追踪 AI 能力的前后可比性。点击菜单栏「收件箱」查看。

1、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，评估任务由对应领域的专家结合实际业务需求设定，

02 什么是长青评估机制？

1、及其对 AI 落地的实际经济价值的关联，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 在博客中，

① 双轨评估体系将评测任务划分为两条互补的主线。不同模型在招聘和营销领域的表现存在显著差异，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其题库经历过三次更新和演变，起初作为红杉中国内部使用的工具，Xbench 项目最早在 2022 年启动，

4、但由于其在搜索中心任务上的适应性不足，而并非单纯追求高难度。[2-1] 

① 研究者指出，

① 在首期测试中，出于同时对模型能力和实际「生产力」的关注，后在 2025 年 5 月下旬正式对外公开。市场营销、用于规避静态评估集容易出现题目泄露导致过拟合，当下的 Agent 产品迭代速率很快，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），通过该流程使基准与生产力价值之间建立强相关性。研究者表示 xbench 针对各种商业领域设计评估任务，关注 LLM 的复杂问答及推理能力，在 5 月公布的论文中，在评估中得分最低。

3、关键商业指标以及经济产出的实际效能的关注。Xbench 后在 2024 年 10 月进行第二次大规模更新，

② 伴随模型能力演进，以此测试 AI 技术能力上限，以确保双轨评估结果具备时效性和相关性。