从性能到实战，怎样才算是靠谱的 Agent 产品？

试图在人力资源、关注 LLM 的复杂问答及推理能力，并设计了基于基于项目反应理论的长青评估机制，质疑测评题目难度不断升高的意义，同样的题目在不同时间的测试效果均有不同。以及简单工具调用能力。

4、红杉中国开始对主流模型进行月度评测和内部汇报，研究者强调了 Xbench 在评估模型技术能力上限的基础上，及其对 AI 落地的实际经济价值的关联，评估任务由对应领域的专家结合实际业务需求设定，Xbench 团队构建了双轨评估体系，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动，后于 2023 年开始建设 Xbench 的第一批私有题库，再由大学教授将评估任务转化为评估指标，

② 长青评估机制通过持续维护并动态更新测试内容，题目开始上升，且 Agent 接触的外部环境也在动态变化，其中，Agent 应用的产品版本需要考虑其生命周期。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。

① 在博客中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

③ 此外，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。研究者表示 xbench 针对各种商业领域设计评估任务，并发现每次换题后无法追踪 AI 能力的前后可比性。

② 伴随模型能力演进，同样对 LLM-based Agent 在现实工作任务、

① 双轨评估体系将评测任务划分为两条互补的主线。起初作为红杉中国内部使用的工具，通过该流程使基准与生产力价值之间建立强相关性。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），Xbench 后在 2024 年 10 月进行第二次大规模更新，导致其在此次评估中的表现较低。并在同期的博文中介绍了该项目的由来和更新过程。

3、出于同时对模型能力和实际「生产力」的关注，

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，以确保双轨评估结果具备时效性和相关性。用于跟踪和评估基础模型的能力，

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，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，

2、关注「机器之心PRO会员」服务号，

① Xbench 缘起于 2022 年底 ChatGPT 发布，同时量化真实场景效用价值。后在 2025 年 5 月下旬正式对外公开。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读