从性能到实战，怎样才算是靠谱的 Agent 产品？

表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并在同期的博文中介绍了该项目的由来和更新过程。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。同时量化真实场景效用价值。且 Agent 接触的外部环境也在动态变化，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，以确保双轨评估结果具备时效性和相关性。

③ Xbench 的第三次升级发生于 2025 年 3 月，同样对 LLM-based Agent 在现实工作任务、金融、市场营销、当下的 Agent 产品迭代速率很快，并设计了基于基于项目反应理论的长青评估机制，[2-1] 

① 研究者指出，同样的题目在不同时间的测试效果均有不同。Xbench 后在 2024 年 10 月进行第二次大规模更新，试图在人力资源、再由大学教授将评估任务转化为评估指标，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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，而是重点量化 AI 系统在真实场景的效用价值。

② 伴随模型能力演进，后于 2023 年开始建设 Xbench 的第一批私有题库，

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，Xbench 项目最早在 2022 年启动，关注「机器之心PRO会员」服务号，出于同时对模型能力和实际「生产力」的关注，

③ 此外，其题库经历过三次更新和演变，

1、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），质疑测评题目难度不断升高的意义，

① 在博客中，

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，不同模型在招聘和营销领域的表现存在显著差异，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关键商业指标以及经济产出的实际效能的关注。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。法律、前往「收件箱」查看完整解读