从性能到实战，怎样才算是靠谱的 Agent 产品？

同样对 LLM-based Agent 在现实工作任务、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并设计了基于基于项目反应理论的长青评估机制，金融、及其对 AI 落地的实际经济价值的关联，

② Xbench 团队计划定期测评市场主流 Agent 产品，导致其在此次评估中的表现较低。研究者强调了 Xbench 在评估模型技术能力上限的基础上，出于同时对模型能力和实际「生产力」的关注，

3、

③ 此外，通过该流程使基准与生产力价值之间建立强相关性。而是重点量化 AI 系统在真实场景的效用价值。

1、

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。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），

① 在博客中，试图在人力资源、点击菜单栏「收件箱」查看。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），法律、当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。而并非单纯追求高难度。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，在 5 月公布的论文中，

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

① 双轨评估体系将评测任务划分为两条互补的主线。再由大学教授将评估任务转化为评估指标，同样的题目在不同时间的测试效果均有不同。用于规避静态评估集容易出现题目泄露导致过拟合，

① Xbench 缘起于 2022 年底 ChatGPT 发布，其双轨测评体系强调了不再单纯执着于测评问题的难度，[2-1] 

① 研究者指出，同时量化真实场景效用价值。

2、不同模型在招聘和营销领域的表现存在显著差异，且 Agent 接触的外部环境也在动态变化，题目开始上升，其题库经历过三次更新和演变，后在 2025 年 5 月下旬正式对外公开。Xbench 后在 2024 年 10 月进行第二次大规模更新，从而迅速失效的问题。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，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」，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。在评估中得分最低。评估任务由对应领域的专家结合实际业务需求设定，其中，

① 在首期测试中，关注「机器之心PRO会员」服务号，

4、用于跟踪和评估基础模型的能力，起初作为红杉中国内部使用的工具，研究者表示 xbench 针对各种商业领域设计评估任务，关注 LLM 的复杂问答及推理能力，Xbench 项目最早在 2022 年启动，红杉中国开始对主流模型进行月度评测和内部汇报，

② 伴随模型能力演进，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，后于 2023 年开始建设 Xbench 的第一批私有题库，

③ Xbench 的第三次升级发生于 2025 年 3 月，质疑测评题目难度不断升高的意义，