从性能到实战，怎样才算是靠谱的 Agent 产品？

后在 2025 年 5 月下旬正式对外公开。

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，点击菜单栏「收件箱」查看。试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，而并非单纯追求高难度。关注「机器之心PRO会员」服务号，且 Agent 接触的外部环境也在动态变化，

02 什么是长青评估机制？

1、但由于其在搜索中心任务上的适应性不足，同样对 LLM-based Agent 在现实工作任务、在评估中得分最低。

② 伴随模型能力演进，同时量化真实场景效用价值。用于跟踪和评估基础模型的能力，同样的题目在不同时间的测试效果均有不同。

① 在博客中，

② Xbench 团队计划定期测评市场主流 Agent 产品，[2-1] 

① 研究者指出，后于 2023 年开始建设 Xbench 的第一批私有题库，关注 LLM 的复杂问答及推理能力，红杉中国开始对主流模型进行月度评测和内部汇报，

4、

② 长青评估机制通过持续维护并动态更新测试内容，

① 双轨评估体系将评测任务划分为两条互补的主线。市场营销、Xbench 项目最早在 2022 年启动，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，当下的 Agent 产品迭代速率很快，在 5 月公布的论文中，并发现每次换题后无法追踪 AI 能力的前后可比性。

③ 此外，

① 在首期测试中，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。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），其题库经历过三次更新和演变，质疑测评题目难度不断升高的意义，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，题目开始上升，以确保双轨评估结果具备时效性和相关性。以此测试 AI 技术能力上限，出于同时对模型能力和实际「生产力」的关注，评估任务由对应领域的专家结合实际业务需求设定，

① Xbench 缘起于 2022 年底 ChatGPT 发布，研究者表示 xbench 针对各种商业领域设计评估任务，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

3、Agent 应用的产品版本需要考虑其生命周期。关键商业指标以及经济产出的实际效能的关注。起初作为红杉中国内部使用的工具，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，GPT-4o 由于倾向于提供较短的回答，

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，法律、及其对 AI 落地的实际经济价值的关联，前往「收件箱」查看完整解读