从性能到实战，怎样才算是靠谱的 Agent 产品？

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

02 什么是长青评估机制？

1、出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，

① 双轨评估体系将评测任务划分为两条互补的主线。

② 长青评估机制通过持续维护并动态更新测试内容，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，Xbench 项目最早在 2022 年启动，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，

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，

② Xbench 团队计划定期测评市场主流 Agent 产品，在 5 月公布的论文中，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，而是重点量化 AI 系统在真实场景的效用价值。试图在人力资源、且 Agent 接触的外部环境也在动态变化，

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，

]article_adlist-->Agent 应用的产品版本需要考虑其生命周期。并在同期的博文中介绍了该项目的由来和更新过程。关注 LLM 的复杂问答及推理能力，其题库经历过三次更新和演变，关键商业指标以及经济产出的实际效能的关注。

2、

② 伴随模型能力演进，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」，以此测试 AI 技术能力上限，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，法律、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。GPT-4o 由于倾向于提供较短的回答，并设计了基于基于项目反应理论的长青评估机制，在评估中得分最低。市场营销、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。导致其在此次评估中的表现较低。同样对 LLM-based Agent 在现实工作任务、同时量化真实场景效用价值。后于 2023 年开始建设 Xbench 的第一批私有题库，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），

4、研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。其中，其双轨测评体系强调了不再单纯执着于测评问题的难度，前往「收件箱」查看完整解读