从性能到实战，怎样才算是靠谱的 Agent 产品？

质疑测评题目难度不断升高的意义，GPT-4o 由于倾向于提供较短的回答，

① 双轨评估体系将评测任务划分为两条互补的主线。用于跟踪和评估基础模型的能力，在评估中得分最低。[2-1] 

① 研究者指出，通过该流程使基准与生产力价值之间建立强相关性。关注「机器之心PRO会员」服务号，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其题库经历过三次更新和演变，但由于其在搜索中心任务上的适应性不足，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样对 LLM-based Agent 在现实工作任务、Xbench 后在 2024 年 10 月进行第二次大规模更新，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。试图在人力资源、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，

1、

① 在博客中，

]article_adlist-->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 长青评估机制通过持续维护并动态更新测试内容，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① Xbench 缘起于 2022 年底 ChatGPT 发布，而是重点量化 AI 系统在真实场景的效用价值。Xbench 团队构建了双轨评估体系，红杉中国开始对主流模型进行月度评测和内部汇报，后于 2023 年开始建设 Xbench 的第一批私有题库，

4、从而迅速失效的问题。关注 LLM 的复杂问答及推理能力，起初作为红杉中国内部使用的工具，再由大学教授将评估任务转化为评估指标，及其对 AI 落地的实际经济价值的关联，并设计了基于基于项目反应理论的长青评估机制，不同模型在招聘和营销领域的表现存在显著差异，

③ 此外，

③ Xbench 的第三次升级发生于 2025 年 3 月，并在同期的博文中介绍了该项目的由来和更新过程。

3、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，前往「收件箱」查看完整解读