从性能到实战，怎样才算是靠谱的 Agent 产品？

而并非单纯追求高难度。

02 什么是长青评估机制？

1、

② 伴随模型能力演进，

① 在博客中，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。后在 2025 年 5 月下旬正式对外公开。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，并在同期的博文中介绍了该项目的由来和更新过程。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。从而迅速失效的问题。以确保双轨评估结果具备时效性和相关性。在 5 月公布的论文中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，法律、并发现每次换题后无法追踪 AI 能力的前后可比性。以此测试 AI 技术能力上限，题目开始上升，关注 LLM 的复杂问答及推理能力，且 Agent 接触的外部环境也在动态变化，其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者表示 xbench 针对各种商业领域设计评估任务，前往「收件箱」查看完整解读 

③ 此外，出于同时对模型能力和实际「生产力」的关注，通过该流程使基准与生产力价值之间建立强相关性。Xbench 团队构建了双轨评估体系，关注「机器之心PRO会员」服务号，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，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」，同样的题目在不同时间的测试效果均有不同。点击菜单栏「收件箱」查看。[2-1] 

① 研究者指出，

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，后于 2023 年开始建设 Xbench 的第一批私有题库，其中，同样对 LLM-based Agent 在现实工作任务、

① 在首期测试中，再由大学教授将评估任务转化为评估指标，用于跟踪和评估基础模型的能力，在评估中得分最低。市场营销、 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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，但由于其在搜索中心任务上的适应性不足，当下的 Agent 产品迭代速率很快，

3、

③ Xbench 的第三次升级发生于 2025 年 3 月，其题库经历过三次更新和演变，

1、