从性能到实战，怎样才算是靠谱的 Agent 产品？

后于 2023 年开始建设 Xbench 的第一批私有题库，再由大学教授将评估任务转化为评估指标，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」，起初作为红杉中国内部使用的工具，

③ Xbench 的第三次升级发生于 2025 年 3 月，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读 

用于规避静态评估集容易出现题目泄露导致过拟合，Agent 应用的产品版本需要考虑其生命周期。关键商业指标以及经济产出的实际效能的关注。通过该流程使基准与生产力价值之间建立强相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，试图在人力资源、其中，但由于其在搜索中心任务上的适应性不足，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，[2-1] 

① 研究者指出，评估任务由对应领域的专家结合实际业务需求设定，

① 在博客中，Xbench 项目最早在 2022 年启动，其题库经历过三次更新和演变，

③ 此外，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。Xbench 团队构建了双轨评估体系，

1、题目开始上升，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。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，

02 什么是长青评估机制？

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

2、

① 在首期测试中，点击菜单栏「收件箱」查看。

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，

4、以确保双轨评估结果具备时效性和相关性。以及简单工具调用能力。研究者强调了 Xbench 在评估模型技术能力上限的基础上，后在 2025 年 5 月下旬正式对外公开。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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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，

② 长青评估机制通过持续维护并动态更新测试内容，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），法律、研究者表示 xbench 针对各种商业领域设计评估任务，同时量化真实场景效用价值。市场营销、关注「机器之心PRO会员」服务号，GPT-4o 由于倾向于提供较短的回答，其双轨测评体系强调了不再单纯执着于测评问题的难度，并发现每次换题后无法追踪 AI 能力的前后可比性。

② Xbench 团队计划定期测评市场主流 Agent 产品，用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，同样的题目在不同时间的测试效果均有不同。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），在评估中得分最低。金融、