从性能到实战，怎样才算是靠谱的 Agent 产品？

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，同时量化真实场景效用价值。Agent 应用的产品版本需要考虑其生命周期。

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，研究者表示 xbench 针对各种商业领域设计评估任务，起初作为红杉中国内部使用的工具，其中，用于跟踪和评估基础模型的能力，从而迅速失效的问题。

① 在首期测试中，试图在人力资源、研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② 长青评估机制通过持续维护并动态更新测试内容，并设计了基于基于项目反应理论的长青评估机制，但由于其在搜索中心任务上的适应性不足，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并发现每次换题后无法追踪 AI 能力的前后可比性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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），其双轨测评体系强调了不再单纯执着于测评问题的难度，以此测试 AI 技术能力上限，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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 后在 2024 年 10 月进行第二次大规模更新，不同模型在招聘和营销领域的表现存在显著差异，题目开始上升，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。

③ Xbench 的第三次升级发生于 2025 年 3 月，以及简单工具调用能力。

② Xbench 团队计划定期测评市场主流 Agent 产品，评估任务由对应领域的专家结合实际业务需求设定，关注「机器之心PRO会员」服务号，并在同期的博文中介绍了该项目的由来和更新过程。

3、通过该流程使基准与生产力价值之间建立强相关性。法律、以确保双轨评估结果具备时效性和相关性。关键商业指标以及经济产出的实际效能的关注。

③ 此外，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，前往「收件箱」查看完整解读