从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，同时量化真实场景效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、

① Xbench 缘起于 2022 年底 ChatGPT 发布，并在同期的博文中介绍了该项目的由来和更新过程。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。[2-1] 

① 研究者指出，评估任务由对应领域的专家结合实际业务需求设定，

]article_adlist-->Xbench 项目最早在 2022 年启动，

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，后在 2025 年 5 月下旬正式对外公开。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，导致其在此次评估中的表现较低。

3、

② 伴随模型能力演进，关注「机器之心PRO会员」服务号，Xbench 后在 2024 年 10 月进行第二次大规模更新，研究者强调了 Xbench 在评估模型技术能力上限的基础上，Xbench 团队构建了双轨评估体系，

③ 此外，

③ Xbench 的第三次升级发生于 2025 年 3 月，

1、关键商业指标以及经济产出的实际效能的关注。GPT-4o 由于倾向于提供较短的回答，

② Xbench 团队计划定期测评市场主流 Agent 产品，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读