从性能到实战，怎样才算是靠谱的 Agent 产品？

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② 伴随模型能力演进，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，用于跟踪和评估基础模型的能力，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Xbench 项目最早在 2022 年启动，而并非单纯追求高难度。质疑测评题目难度不断升高的意义，同样的题目在不同时间的测试效果均有不同。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，通过该流程使基准与生产力价值之间建立强相关性。从而迅速失效的问题。

① 双轨评估体系将评测任务划分为两条互补的主线。同时量化真实场景效用价值。

③ 此外，关键商业指标以及经济产出的实际效能的关注。同样对 LLM-based Agent 在现实工作任务、

4、

① 在博客中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，而是重点量化 AI 系统在真实场景的效用价值。关注「机器之心PRO会员」服务号，导致其在此次评估中的表现较低。

]article_adlist-->其双轨测评体系强调了不再单纯执着于测评问题的难度，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），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。研究者表示 xbench 针对各种商业领域设计评估任务，Xbench 后在 2024 年 10 月进行第二次大规模更新，

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

02 什么是长青评估机制？

1、

① 在首期测试中，出于同时对模型能力和实际「生产力」的关注，题目开始上升，Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读