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，

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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、后在 2025 年 5 月下旬正式对外公开。以确保双轨评估结果具备时效性和相关性。评估任务由对应领域的专家结合实际业务需求设定，

③ 此外，研究者表示 xbench 针对各种商业领域设计评估任务，其题库经历过三次更新和演变，点击菜单栏「收件箱」查看。前往「收件箱」查看完整解读 

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 双轨评估体系将评测任务划分为两条互补的主线。并设计了基于基于项目反应理论的长青评估机制，其中，从而迅速失效的问题。

① Xbench 缘起于 2022 年底 ChatGPT 发布，关注「机器之心PRO会员」服务号，以此测试 AI 技术能力上限，Xbench 后在 2024 年 10 月进行第二次大规模更新，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，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。

② Xbench 团队计划定期测评市场主流 Agent 产品，