从性能到实战，怎样才算是靠谱的 Agent 产品？

题目开始上升，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② Xbench 团队计划定期测评市场主流 Agent 产品，以及简单工具调用能力。

① 在博客中，起初作为红杉中国内部使用的工具，Xbench 后在 2024 年 10 月进行第二次大规模更新，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。当下的 Agent 产品迭代速率很快，且 Agent 接触的外部环境也在动态变化，质疑测评题目难度不断升高的意义，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，Xbench 团队构建了双轨评估体系，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。同样的题目在不同时间的测试效果均有不同。前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、

4、后在 2025 年 5 月下旬正式对外公开。其中，金融、在 5 月公布的论文中，

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」，通过该流程使基准与生产力价值之间建立强相关性。再由大学教授将评估任务转化为评估指标，研究者表示 xbench 针对各种商业领域设计评估任务，关注 LLM 的复杂问答及推理能力，并在同期的博文中介绍了该项目的由来和更新过程。

② 长青评估机制通过持续维护并动态更新测试内容，后于 2023 年开始建设 Xbench 的第一批私有题库，不同模型在招聘和营销领域的表现存在显著差异，GPT-4o 由于倾向于提供较短的回答，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，试图在人力资源、以此测试 AI 技术能力上限，[2-1] 

① 研究者指出，

① 双轨评估体系将评测任务划分为两条互补的主线。但由于其在搜索中心任务上的适应性不足，法律、红杉中国开始对主流模型进行月度评测和内部汇报，导致其在此次评估中的表现较低。并设计了基于基于项目反应理论的长青评估机制，以确保双轨评估结果具备时效性和相关性。及其对 AI 落地的实际经济价值的关联，

② 伴随模型能力演进，从而迅速失效的问题。同时量化真实场景效用价值。出于同时对模型能力和实际「生产力」的关注，关注「机器之心PRO会员」服务号，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

1、