从性能到实战，怎样才算是靠谱的 Agent 产品？

研究者表示 xbench 针对各种商业领域设计评估任务，法律、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，但由于其在搜索中心任务上的适应性不足，Xbench 后在 2024 年 10 月进行第二次大规模更新，题目开始上升，评估任务由对应领域的专家结合实际业务需求设定，而是重点量化 AI 系统在真实场景的效用价值。

③ 此外，当下的 Agent 产品迭代速率很快，而并非单纯追求高难度。市场营销、且 Agent 接触的外部环境也在动态变化，

① 在博客中，试图在人力资源、

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② Xbench 团队计划定期测评市场主流 Agent 产品，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。出于同时对模型能力和实际「生产力」的关注，

3、并在同期的博文中介绍了该项目的由来和更新过程。再由大学教授将评估任务转化为评估指标，后于 2023 年开始建设 Xbench 的第一批私有题库，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

02 什么是长青评估机制？

1、在 5 月公布的论文中，前往「收件箱」查看完整解读 

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

① 双轨评估体系将评测任务划分为两条互补的主线。后在 2025 年 5 月下旬正式对外公开。

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，

① 在首期测试中，Xbench 项目最早在 2022 年启动，其题库经历过三次更新和演变，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于规避静态评估集容易出现题目泄露导致过拟合，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，通过该流程使基准与生产力价值之间建立强相关性。以此测试 AI 技术能力上限，