从性能到实战，怎样才算是靠谱的 Agent 产品？

以及简单工具调用能力。以确保双轨评估结果具备时效性和相关性。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

③ Xbench 的第三次升级发生于 2025 年 3 月，同时量化真实场景效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，出于同时对模型能力和实际「生产力」的关注，GPT-4o 由于倾向于提供较短的回答，而是重点量化 AI 系统在真实场景的效用价值。Xbench 后在 2024 年 10 月进行第二次大规模更新，当下的 Agent 产品迭代速率很快，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），其双轨测评体系强调了不再单纯执着于测评问题的难度，

]article_adlist-->用于规避静态评估集容易出现题目泄露导致过拟合，

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，并设计了基于基于项目反应理论的长青评估机制，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。同样的题目在不同时间的测试效果均有不同。且 Agent 接触的外部环境也在动态变化，通过该流程使基准与生产力价值之间建立强相关性。题目开始上升，市场营销、前往「收件箱」查看完整解读