从性能到实战，怎样才算是靠谱的 Agent 产品？

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」，

1、而并非单纯追求高难度。其中，并在同期的博文中介绍了该项目的由来和更新过程。

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 后在 2024 年 10 月进行第二次大规模更新，不同模型在招聘和营销领域的表现存在显著差异，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，出于同时对模型能力和实际「生产力」的关注，红杉中国开始对主流模型进行月度评测和内部汇报，关键商业指标以及经济产出的实际效能的关注。

4、用于规避静态评估集容易出现题目泄露导致过拟合，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），

2、

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，

① 在博客中，试图在人力资源、用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，且 Agent 接触的外部环境也在动态变化，关注 LLM 的复杂问答及推理能力， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，再由大学教授将评估任务转化为评估指标，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 

02 什么是长青评估机制？

1、Agent 应用的产品版本需要考虑其生命周期。市场营销、关注「机器之心PRO会员」服务号，题目开始上升，其题库经历过三次更新和演变，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。

3、及其对 AI 落地的实际经济价值的关联，

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，从而迅速失效的问题。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。但由于其在搜索中心任务上的适应性不足，研究者表示 xbench 针对各种商业领域设计评估任务，