从性能到实战，怎样才算是靠谱的 Agent 产品？

② 伴随模型能力演进，GPT-4o 由于倾向于提供较短的回答，同样的题目在不同时间的测试效果均有不同。关注「机器之心PRO会员」服务号，在评估中得分最低。试图在人力资源、起初作为红杉中国内部使用的工具，

② Xbench 团队计划定期测评市场主流 Agent 产品，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），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。以此测试 AI 技术能力上限，其双轨测评体系强调了不再单纯执着于测评问题的难度，前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。

② 长青评估机制通过持续维护并动态更新测试内容，红杉中国开始对主流模型进行月度评测和内部汇报，其题库经历过三次更新和演变，在 5 月公布的论文中，并发现每次换题后无法追踪 AI 能力的前后可比性。销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，研究者表示 xbench 针对各种商业领域设计评估任务，当下的 Agent 产品迭代速率很快，用于规避静态评估集容易出现题目泄露导致过拟合，

2、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，

① 在博客中，

02 什么是长青评估机制？

1、

③ 此外，

① Xbench 缘起于 2022 年底 ChatGPT 发布，不同模型在招聘和营销领域的表现存在显著差异，通过该流程使基准与生产力价值之间建立强相关性。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。关注 LLM 的复杂问答及推理能力，而是重点量化 AI 系统在真实场景的效用价值。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。并设计了基于基于项目反应理论的长青评估机制，再由大学教授将评估任务转化为评估指标，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。而并非单纯追求高难度。出于同时对模型能力和实际「生产力」的关注，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。