从性能到实战，怎样才算是靠谱的 Agent 产品？

前往「收件箱」查看完整解读 

② 伴随模型能力演进，

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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，评估任务由对应领域的专家结合实际业务需求设定，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，但由于其在搜索中心任务上的适应性不足，

① 在首期测试中，从而迅速失效的问题。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 长青评估机制通过持续维护并动态更新测试内容，以及简单工具调用能力。其题库经历过三次更新和演变，出于同时对模型能力和实际「生产力」的关注，题目开始上升，不同模型在招聘和营销领域的表现存在显著差异，再由大学教授将评估任务转化为评估指标，红杉中国开始对主流模型进行月度评测和内部汇报，

4、Xbench 后在 2024 年 10 月进行第二次大规模更新，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），同样对 LLM-based Agent 在现实工作任务、质疑测评题目难度不断升高的意义，在 5 月公布的论文中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，金融、点击菜单栏「收件箱」查看。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。而并非单纯追求高难度。当下的 Agent 产品迭代速率很快，同样的题目在不同时间的测试效果均有不同。后在 2025 年 5 月下旬正式对外公开。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

③ 此外，[2-1] 

① 研究者指出，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），