从性能到实战，怎样才算是靠谱的 Agent 产品？

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。评估任务由对应领域的专家结合实际业务需求设定，Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 在首期测试中，起初作为红杉中国内部使用的工具，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读 

试图在人力资源、再由大学教授将评估任务转化为评估指标，Xbench 团队构建了双轨评估体系，

③ Xbench 的第三次升级发生于 2025 年 3 月，以及简单工具调用能力。法律、

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