从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。关键商业指标以及经济产出的实际效能的关注。市场营销、但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读 

金融、在 5 月公布的论文中，关注「机器之心PRO会员」服务号，再由大学教授将评估任务转化为评估指标，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，法律、导致其在此次评估中的表现较低。从而迅速失效的问题。

① 在博客中，

① 双轨评估体系将评测任务划分为两条互补的主线。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），

② 伴随模型能力演进，

③ Xbench 的第三次升级发生于 2025 年 3 月，

③ 此外，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。在评估中得分最低。起初作为红杉中国内部使用的工具，其中，后于 2023 年开始建设 Xbench 的第一批私有题库，Xbench 项目最早在 2022 年启动，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。研究者表示 xbench 针对各种商业领域设计评估任务，

② Xbench 团队计划定期测评市场主流 Agent 产品，其题库经历过三次更新和演变，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，并设计了基于基于项目反应理论的长青评估机制，

02 什么是长青评估机制？

1、以及简单工具调用能力。

② 长青评估机制通过持续维护并动态更新测试内容，

3、评估任务由对应领域的专家结合实际业务需求设定，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。

4、[2-1] 

① 研究者指出，用于跟踪和评估基础模型的能力，且 Agent 接触的外部环境也在动态变化，

1、当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，用于规避静态评估集容易出现题目泄露导致过拟合，