从性能到实战，怎样才算是靠谱的 Agent 产品？

以此测试 AI 技术能力上限，

① 双轨评估体系将评测任务划分为两条互补的主线。红杉中国开始对主流模型进行月度评测和内部汇报，

]article_adlist-->起初作为红杉中国内部使用的工具，[2-1] 

① 研究者指出，

③ Xbench 的第三次升级发生于 2025 年 3 月，

1、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。其双轨测评体系强调了不再单纯执着于测评问题的难度，

02 什么是长青评估机制？

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，

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，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。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），通过该流程使基准与生产力价值之间建立强相关性。当下的 Agent 产品迭代速率很快，GPT-4o 由于倾向于提供较短的回答，以及简单工具调用能力。题目开始上升，金融、且 Agent 接触的外部环境也在动态变化，前往「收件箱」查看完整解读