从性能到实战，怎样才算是靠谱的 Agent 产品？

关注「机器之心PRO会员」服务号，

02 什么是长青评估机制？

1、其题库经历过三次更新和演变，

3、且 Agent 接触的外部环境也在动态变化，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。Xbench 后在 2024 年 10 月进行第二次大规模更新，后在 2025 年 5 月下旬正式对外公开。以及简单工具调用能力。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），点击菜单栏「收件箱」查看。导致其在此次评估中的表现较低。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，红杉中国开始对主流模型进行月度评测和内部汇报，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，评估任务由对应领域的专家结合实际业务需求设定，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。不同模型在招聘和营销领域的表现存在显著差异，以确保双轨评估结果具备时效性和相关性。在 5 月公布的论文中，

③ 此外，用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。关注 LLM 的复杂问答及推理能力，Agent 应用的产品版本需要考虑其生命周期。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其中，

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，市场营销、

① 在首期测试中，题目开始上升，

① 在博客中，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，

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，但由于其在搜索中心任务上的适应性不足，而是重点量化 AI 系统在真实场景的效用价值。并设计了基于基于项目反应理论的长青评估机制，并发现每次换题后无法追踪 AI 能力的前后可比性。