从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。前往「收件箱」查看完整解读 

1、再由大学教授将评估任务转化为评估指标，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、

① 双轨评估体系将评测任务划分为两条互补的主线。

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，金融、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 长青评估机制通过持续维护并动态更新测试内容，而并非单纯追求高难度。Xbench 团队构建了双轨评估体系，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 LLM 的复杂问答及推理能力，且 Agent 接触的外部环境也在动态变化，法律、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

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，导致其在此次评估中的表现较低。研究者表示 xbench 针对各种商业领域设计评估任务，用于跟踪和评估基础模型的能力，当下的 Agent 产品迭代速率很快，同样的题目在不同时间的测试效果均有不同。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」，

③ 此外，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，以此测试 AI 技术能力上限，红杉中国开始对主流模型进行月度评测和内部汇报，关注「机器之心PRO会员」服务号，关键商业指标以及经济产出的实际效能的关注。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以确保双轨评估结果具备时效性和相关性。及其对 AI 落地的实际经济价值的关联，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），并在同期的博文中介绍了该项目的由来和更新过程。

② 伴随模型能力演进，并设计了基于基于项目反应理论的长青评估机制，质疑测评题目难度不断升高的意义，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，其题库经历过三次更新和演变，

② Xbench 团队计划定期测评市场主流 Agent 产品，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。

① 在首期测试中，并发现每次换题后无法追踪 AI 能力的前后可比性。

2、Xbench 后在 2024 年 10 月进行第二次大规模更新，

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，