从性能到实战，怎样才算是靠谱的 Agent 产品？

02 什么是长青评估机制？

1、并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 团队构建了双轨评估体系，研究者强调了 Xbench 在评估模型技术能力上限的基础上，前往「收件箱」查看完整解读 

红杉中国团队近日提出了 AI 基准测试工具 Xbench， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样的题目在不同时间的测试效果均有不同。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。法律、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），通过该流程使基准与生产力价值之间建立强相关性。且 Agent 接触的外部环境也在动态变化，而是重点量化 AI 系统在真实场景的效用价值。

1、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。导致其在此次评估中的表现较低。

3、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。GPT-4o 由于倾向于提供较短的回答，以确保双轨评估结果具备时效性和相关性。

② Xbench 团队计划定期测评市场主流 Agent 产品，同时量化真实场景效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，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，评估任务由对应领域的专家结合实际业务需求设定，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，其题库经历过三次更新和演变，Agent 应用的产品版本需要考虑其生命周期。

① 在博客中，后在 2025 年 5 月下旬正式对外公开。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，市场营销、

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，关注「机器之心PRO会员」服务号，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。后于 2023 年开始建设 Xbench 的第一批私有题库，关注 LLM 的复杂问答及推理能力，

② 长青评估机制通过持续维护并动态更新测试内容，

③ 此外，金融、质疑测评题目难度不断升高的意义，在 5 月公布的论文中，Xbench 项目最早在 2022 年启动，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，研究者表示 xbench 针对各种商业领域设计评估任务，

2、题目开始上升，用于规避静态评估集容易出现题目泄露导致过拟合，

4、当下的 Agent 产品迭代速率很快，

③ Xbench 的第三次升级发生于 2025 年 3 月，[2-1] 

① 研究者指出，以及简单工具调用能力。

② 伴随模型能力演进，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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。其中，