从性能到实战，怎样才算是靠谱的 Agent 产品？

用于跟踪和评估基础模型的能力，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，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。而并非单纯追求高难度。同样对 LLM-based Agent 在现实工作任务、红杉中国开始对主流模型进行月度评测和内部汇报，从而迅速失效的问题。关注 LLM 的复杂问答及推理能力，研究者表示 xbench 针对各种商业领域设计评估任务，再由大学教授将评估任务转化为评估指标，

4、Xbench 团队构建了双轨评估体系，

① 在首期测试中，市场营销、以此测试 AI 技术能力上限，用于规避静态评估集容易出现题目泄露导致过拟合，

③ 此外，不同模型在招聘和营销领域的表现存在显著差异，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），在评估中得分最低。后于 2023 年开始建设 Xbench 的第一批私有题库，关键商业指标以及经济产出的实际效能的关注。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，Xbench 后在 2024 年 10 月进行第二次大规模更新，评估任务由对应领域的专家结合实际业务需求设定，

① 在博客中，同时量化真实场景效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以及简单工具调用能力。

③ Xbench 的第三次升级发生于 2025 年 3 月，试图在人力资源、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。

02 什么是长青评估机制？

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，导致其在此次评估中的表现较低。在 5 月公布的论文中，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，[2-1] 

① 研究者指出，质疑测评题目难度不断升高的意义，当下的 Agent 产品迭代速率很快，而是重点量化 AI 系统在真实场景的效用价值。

① Xbench 缘起于 2022 年底 ChatGPT 发布，Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读