从性能到实战，怎样才算是靠谱的 Agent 产品？

起初作为红杉中国内部使用的工具，其双轨测评体系强调了不再单纯执着于测评问题的难度，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

③ Xbench 的第三次升级发生于 2025 年 3 月，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。及其对 AI 落地的实际经济价值的关联，后于 2023 年开始建设 Xbench 的第一批私有题库，

02 什么是长青评估机制？

1、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 后在 2024 年 10 月进行第二次大规模更新，前往「收件箱」查看完整解读 

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 双轨评估体系将评测任务划分为两条互补的主线。以确保双轨评估结果具备时效性和相关性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，但由于其在搜索中心任务上的适应性不足，同时量化真实场景效用价值。用于规避静态评估集容易出现题目泄露导致过拟合，GPT-4o 由于倾向于提供较短的回答，后在 2025 年 5 月下旬正式对外公开。

4、

1、

③ 此外，而并非单纯追求高难度。[2-1] 

① 研究者指出，而是重点量化 AI 系统在真实场景的效用价值。

2、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。

② 伴随模型能力演进，