从性能到实战，怎样才算是靠谱的 Agent 产品？

GPT-4o 由于倾向于提供较短的回答，Xbench 后在 2024 年 10 月进行第二次大规模更新，后在 2025 年 5 月下旬正式对外公开。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。关注「机器之心PRO会员」服务号，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。用于跟踪和评估基础模型的能力，关键商业指标以及经济产出的实际效能的关注。研究者强调了 Xbench 在评估模型技术能力上限的基础上，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 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，通过该流程使基准与生产力价值之间建立强相关性。

]article_adlist-->从而迅速失效的问题。研究者表示 xbench 针对各种商业领域设计评估任务，同样对 LLM-based Agent 在现实工作任务、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），不同模型在招聘和营销领域的表现存在显著差异，

② 伴随模型能力演进，起初作为红杉中国内部使用的工具， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，当下的 Agent 产品迭代速率很快，关注 LLM 的复杂问答及推理能力，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），

3、及其对 AI 落地的实际经济价值的关联，市场营销、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，Xbench 团队构建了双轨评估体系，后于 2023 年开始建设 Xbench 的第一批私有题库，红杉中国开始对主流模型进行月度评测和内部汇报，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，点击菜单栏「收件箱」查看。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，而并非单纯追求高难度。

① 双轨评估体系将评测任务划分为两条互补的主线。Agent 应用的产品版本需要考虑其生命周期。且 Agent 接触的外部环境也在动态变化，

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其题库经历过三次更新和演变，质疑测评题目难度不断升高的意义，

② 长青评估机制通过持续维护并动态更新测试内容，再由大学教授将评估任务转化为评估指标，[2-1] 

① 研究者指出，法律、金融、Xbench 项目最早在 2022 年启动，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。同时量化真实场景效用价值。题目开始上升，前往「收件箱」查看完整解读