从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读 

Xbench 后在 2024 年 10 月进行第二次大规模更新，且 Agent 接触的外部环境也在动态变化，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，

4、以确保双轨评估结果具备时效性和相关性。试图在人力资源、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，其中，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。而并非单纯追求高难度。后在 2025 年 5 月下旬正式对外公开。点击菜单栏「收件箱」查看。Agent 应用的产品版本需要考虑其生命周期。

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，关注 LLM 的复杂问答及推理能力，后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，金融、

② 伴随模型能力演进，同时量化真实场景效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，起初作为红杉中国内部使用的工具，出于同时对模型能力和实际「生产力」的关注，