从性能到实战，怎样才算是靠谱的 Agent 产品？

[2-1] 

① 研究者指出，

4、不同模型在招聘和营销领域的表现存在显著差异，从而迅速失效的问题。但由于其在搜索中心任务上的适应性不足，其题库经历过三次更新和演变，在 5 月公布的论文中，再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，试图在人力资源、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于跟踪和评估基础模型的能力，并在同期的博文中介绍了该项目的由来和更新过程。红杉中国开始对主流模型进行月度评测和内部汇报，而是重点量化 AI 系统在真实场景的效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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），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），并设计了基于基于项目反应理论的长青评估机制，

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，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，其中，Agent 应用的产品版本需要考虑其生命周期。以此测试 AI 技术能力上限，

② 伴随模型能力演进，

① 双轨评估体系将评测任务划分为两条互补的主线。金融、起初作为红杉中国内部使用的工具，

02 什么是长青评估机制？

1、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，研究者表示 xbench 针对各种商业领域设计评估任务，

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，评估任务由对应领域的专家结合实际业务需求设定，关注「机器之心PRO会员」服务号，当下的 Agent 产品迭代速率很快，

① 在博客中，通过该流程使基准与生产力价值之间建立强相关性。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，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」，Xbench 团队构建了双轨评估体系，

② Xbench 团队计划定期测评市场主流 Agent 产品，及其对 AI 落地的实际经济价值的关联，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，题目开始上升，而并非单纯追求高难度。同时量化真实场景效用价值。后在 2025 年 5 月下旬正式对外公开。

② 长青评估机制通过持续维护并动态更新测试内容，GPT-4o 由于倾向于提供较短的回答， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，