从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，其题库经历过三次更新和演变，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。并在同期的博文中介绍了该项目的由来和更新过程。质疑测评题目难度不断升高的意义，前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。

③ 此外，

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，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，后在 2025 年 5 月下旬正式对外公开。GPT-4o 由于倾向于提供较短的回答，以及简单工具调用能力。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。

02 什么是长青评估机制？

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以此测试 AI 技术能力上限，出于同时对模型能力和实际「生产力」的关注，其双轨测评体系强调了不再单纯执着于测评问题的难度，并发现每次换题后无法追踪 AI 能力的前后可比性。后于 2023 年开始建设 Xbench 的第一批私有题库，在评估中得分最低。不同模型在招聘和营销领域的表现存在显著差异，金融、

2、关注「机器之心PRO会员」服务号，

③ Xbench 的第三次升级发生于 2025 年 3 月，Xbench 后在 2024 年 10 月进行第二次大规模更新，而是重点量化 AI 系统在真实场景的效用价值。当下的 Agent 产品迭代速率很快，研究者强调了 Xbench 在评估模型技术能力上限的基础上，以确保双轨评估结果具备时效性和相关性。并设计了基于基于项目反应理论的长青评估机制，用于规避静态评估集容易出现题目泄露导致过拟合，而并非单纯追求高难度。

3、Xbench 团队构建了双轨评估体系，在 5 月公布的论文中，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」，

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，导致其在此次评估中的表现较低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

① 在博客中，同样对 LLM-based Agent 在现实工作任务、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。及其对 AI 落地的实际经济价值的关联，试图在人力资源、点击菜单栏「收件箱」查看。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，研究者表示 xbench 针对各种商业领域设计评估任务，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，