从性能到实战，怎样才算是靠谱的 Agent 产品？

并在同期的博文中介绍了该项目的由来和更新过程。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），当下的 Agent 产品迭代速率很快，用于规避静态评估集容易出现题目泄露导致过拟合，

③ 此外，从而迅速失效的问题。且 Agent 接触的外部环境也在动态变化，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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），红杉中国开始对主流模型进行月度评测和内部汇报，而是重点量化 AI 系统在真实场景的效用价值。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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

3、同样的题目在不同时间的测试效果均有不同。出于同时对模型能力和实际「生产力」的关注，在评估中得分最低。

]article_adlist-->通过该流程使基准与生产力价值之间建立强相关性。

4、

① 在首期测试中，Agent 应用的产品版本需要考虑其生命周期。在 5 月公布的论文中，

③ Xbench 的第三次升级发生于 2025 年 3 月，关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 团队构建了双轨评估体系，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，再由大学教授将评估任务转化为评估指标，以此测试 AI 技术能力上限，并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读