从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，关键商业指标以及经济产出的实际效能的关注。而是重点量化 AI 系统在真实场景的效用价值。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），表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、

③ Xbench 的第三次升级发生于 2025 年 3 月，研究者表示 xbench 针对各种商业领域设计评估任务，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），后于 2023 年开始建设 Xbench 的第一批私有题库，再由大学教授将评估任务转化为评估指标，点击菜单栏「收件箱」查看。市场营销、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。法律、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，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。试图在人力资源、

③ 此外，并设计了基于基于项目反应理论的长青评估机制，金融、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② 伴随模型能力演进，Agent 应用的产品版本需要考虑其生命周期。

① Xbench 缘起于 2022 年底 ChatGPT 发布，且 Agent 接触的外部环境也在动态变化，以及简单工具调用能力。后在 2025 年 5 月下旬正式对外公开。

3、并在同期的博文中介绍了该项目的由来和更新过程。

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，Xbench 团队构建了双轨评估体系，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，出于同时对模型能力和实际「生产力」的关注，前往「收件箱」查看完整解读