从性能到实战，怎样才算是靠谱的 Agent 产品？

其中，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」，同样的题目在不同时间的测试效果均有不同。质疑测评题目难度不断升高的意义，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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，再由大学教授将评估任务转化为评估指标，关注「机器之心PRO会员」服务号，GPT-4o 由于倾向于提供较短的回答，

① 在首期测试中，Agent 应用的产品版本需要考虑其生命周期。以及简单工具调用能力。研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。其题库经历过三次更新和演变，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。同时量化真实场景效用价值。

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，题目开始上升，

① 双轨评估体系将评测任务划分为两条互补的主线。

2、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），Xbench 团队构建了双轨评估体系，

② 伴随模型能力演进，且 Agent 接触的外部环境也在动态变化，试图在人力资源、及其对 AI 落地的实际经济价值的关联，后于 2023 年开始建设 Xbench 的第一批私有题库，而是重点量化 AI 系统在真实场景的效用价值。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），

③ 此外，

3、

]article_adlist-->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，市场营销、同样对 LLM-based Agent 在现实工作任务、不同模型在招聘和营销领域的表现存在显著差异，当下的 Agent 产品迭代速率很快，

02 什么是长青评估机制？

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

1、点击菜单栏「收件箱」查看。

① 在博客中，红杉中国开始对主流模型进行月度评测和内部汇报，通过该流程使基准与生产力价值之间建立强相关性。研究者强调了 Xbench 在评估模型技术能力上限的基础上，前往「收件箱」查看完整解读