从性能到实战，怎样才算是靠谱的 Agent 产品？

用于规避静态评估集容易出现题目泄露导致过拟合，及其对 AI 落地的实际经济价值的关联，再由大学教授将评估任务转化为评估指标，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注 LLM 的复杂问答及推理能力，同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。

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，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，红杉中国开始对主流模型进行月度评测和内部汇报，

1、

① Xbench 缘起于 2022 年底 ChatGPT 发布，

3、质疑测评题目难度不断升高的意义，出于同时对模型能力和实际「生产力」的关注，以及简单工具调用能力。Xbench 项目最早在 2022 年启动，

③ Xbench 的第三次升级发生于 2025 年 3 月，

② 长青评估机制通过持续维护并动态更新测试内容，金融、当下的 Agent 产品迭代速率很快，并设计了基于基于项目反应理论的长青评估机制，市场营销、并发现每次换题后无法追踪 AI 能力的前后可比性。前往「收件箱」查看完整解读 

其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，法律、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。同时量化真实场景效用价值。Agent 应用的产品版本需要考虑其生命周期。

③ 此外，

② 伴随模型能力演进，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。