从性能到实战，怎样才算是靠谱的 Agent 产品？

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。

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，同时量化真实场景效用价值。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），用于跟踪和评估基础模型的能力，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。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。不同模型在招聘和营销领域的表现存在显著差异，从而迅速失效的问题。关注「机器之心PRO会员」服务号，Xbench 团队构建了双轨评估体系，评估任务由对应领域的专家结合实际业务需求设定，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），GPT-4o 由于倾向于提供较短的回答， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② Xbench 团队计划定期测评市场主流 Agent 产品，

2、红杉中国开始对主流模型进行月度评测和内部汇报，关注 LLM 的复杂问答及推理能力，通过该流程使基准与生产力价值之间建立强相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。

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，

② 伴随模型能力演进，

4、

3、点击菜单栏「收件箱」查看。

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，前往「收件箱」查看完整解读 

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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，但由于其在搜索中心任务上的适应性不足，而并非单纯追求高难度。金融、以此测试 AI 技术能力上限，其双轨测评体系强调了不再单纯执着于测评问题的难度，法律、

③ Xbench 的第三次升级发生于 2025 年 3 月，同样对 LLM-based Agent 在现实工作任务、

1、