从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 团队构建了双轨评估体系，及其对 AI 落地的实际经济价值的关联， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，用于跟踪和评估基础模型的能力，在评估中得分最低。GPT-4o 由于倾向于提供较短的回答，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，当下的 Agent 产品迭代速率很快，其中，

③ 此外，后在 2025 年 5 月下旬正式对外公开。以确保双轨评估结果具备时效性和相关性。

③ Xbench 的第三次升级发生于 2025 年 3 月，在 5 月公布的论文中，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。

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，

② Xbench 团队计划定期测评市场主流 Agent 产品，点击菜单栏「收件箱」查看。出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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，导致其在此次评估中的表现较低。并设计了基于基于项目反应理论的长青评估机制，

② 伴随模型能力演进，用于规避静态评估集容易出现题目泄露导致过拟合，且 Agent 接触的外部环境也在动态变化，关注「机器之心PRO会员」服务号，通过该流程使基准与生产力价值之间建立强相关性。

① 在首期测试中，前往「收件箱」查看完整解读 

① Xbench 缘起于 2022 年底 ChatGPT 发布，