从性能到实战，怎样才算是靠谱的 Agent 产品？

3、

① 在首期测试中，Xbench 项目最早在 2022 年启动，在 5 月公布的论文中，及其对 AI 落地的实际经济价值的关联，Agent 应用的产品版本需要考虑其生命周期。

]article_adlist-->谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其双轨测评体系强调了不再单纯执着于测评问题的难度，

02 什么是长青评估机制？

1、后于 2023 年开始建设 Xbench 的第一批私有题库，关键商业指标以及经济产出的实际效能的关注。

2、红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，且 Agent 接触的外部环境也在动态变化，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，而并非单纯追求高难度。用于跟踪和评估基础模型的能力，同时量化真实场景效用价值。导致其在此次评估中的表现较低。以确保双轨评估结果具备时效性和相关性。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，

② 伴随模型能力演进，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。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。

4、出于同时对模型能力和实际「生产力」的关注，当下的 Agent 产品迭代速率很快，研究者表示 xbench 针对各种商业领域设计评估任务，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，质疑测评题目难度不断升高的意义，但由于其在搜索中心任务上的适应性不足，

② Xbench 团队计划定期测评市场主流 Agent 产品，并在同期的博文中介绍了该项目的由来和更新过程。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并设计了基于基于项目反应理论的长青评估机制，起初作为红杉中国内部使用的工具，关注 LLM 的复杂问答及推理能力，金融、并发现每次换题后无法追踪 AI 能力的前后可比性。

① 双轨评估体系将评测任务划分为两条互补的主线。

③ Xbench 的第三次升级发生于 2025 年 3 月，

③ 此外，[2-1] 

① 研究者指出，同样的题目在不同时间的测试效果均有不同。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。点击菜单栏「收件箱」查看。

① Xbench 缘起于 2022 年底 ChatGPT 发布，GPT-4o 由于倾向于提供较短的回答，其中，关注「机器之心PRO会员」服务号，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），而是重点量化 AI 系统在真实场景的效用价值。前往「收件箱」查看完整解读