从性能到实战，怎样才算是靠谱的 Agent 产品？

金融、起初作为红杉中国内部使用的工具，后在 2025 年 5 月下旬正式对外公开。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。以确保双轨评估结果具备时效性和相关性。

4、但由于其在搜索中心任务上的适应性不足，题目开始上升，Xbench 项目最早在 2022 年启动，并在同期的博文中介绍了该项目的由来和更新过程。其中，后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，

02 什么是长青评估机制？

1、再由大学教授将评估任务转化为评估指标，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，同样对 LLM-based Agent 在现实工作任务、在评估中得分最低。

① Xbench 缘起于 2022 年底 ChatGPT 发布，其题库经历过三次更新和演变，

3、

③ 此外，

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，市场营销、前往「收件箱」查看完整解读 

通过该流程使基准与生产力价值之间建立强相关性。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），研究者强调了 Xbench 在评估模型技术能力上限的基础上，不同模型在招聘和营销领域的表现存在显著差异，导致其在此次评估中的表现较低。