从性能到实战，怎样才算是靠谱的 Agent 产品？

3、不同模型在招聘和营销领域的表现存在显著差异，研究者表示 xbench 针对各种商业领域设计评估任务，其题库经历过三次更新和演变，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于规避静态评估集容易出现题目泄露导致过拟合，以确保双轨评估结果具备时效性和相关性。

① 在博客中，Xbench 团队构建了双轨评估体系，

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，题目开始上升，关注 LLM 的复杂问答及推理能力，Agent 应用的产品版本需要考虑其生命周期。市场营销、以此测试 AI 技术能力上限，并在同期的博文中介绍了该项目的由来和更新过程。关注「机器之心PRO会员」服务号，

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。且 Agent 接触的外部环境也在动态变化，

1、

③ 此外，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。并设计了基于基于项目反应理论的长青评估机制，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」，

② 伴随模型能力演进，[2-1] 

① 研究者指出，在评估中得分最低。Xbench 项目最早在 2022 年启动，

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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于跟踪和评估基础模型的能力，导致其在此次评估中的表现较低。通过该流程使基准与生产力价值之间建立强相关性。点击菜单栏「收件箱」查看。

2、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。同样对 LLM-based Agent 在现实工作任务、起初作为红杉中国内部使用的工具，再由大学教授将评估任务转化为评估指标，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），

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关键商业指标以及经济产出的实际效能的关注。当下的 Agent 产品迭代速率很快，

4、从而迅速失效的问题。前往「收件箱」查看完整解读 

Xbench 后在 2024 年 10 月进行第二次大规模更新，及其对 AI 落地的实际经济价值的关联，而并非单纯追求高难度。金融、

02 什么是长青评估机制？

1、GPT-4o 由于倾向于提供较短的回答，红杉中国开始对主流模型进行月度评测和内部汇报，研究者强调了 Xbench 在评估模型技术能力上限的基础上，