从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国开始对主流模型进行月度评测和内部汇报，导致其在此次评估中的表现较低。

② Xbench 团队计划定期测评市场主流 Agent 产品，以及简单工具调用能力。研究者强调了 Xbench 在评估模型技术能力上限的基础上，评估任务由对应领域的专家结合实际业务需求设定，GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、

③ 此外，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」， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，后于 2023 年开始建设 Xbench 的第一批私有题库，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。

③ Xbench 的第三次升级发生于 2025 年 3 月，

4、及其对 AI 落地的实际经济价值的关联，以确保双轨评估结果具备时效性和相关性。Xbench 项目最早在 2022 年启动，其双轨测评体系强调了不再单纯执着于测评问题的难度，Agent 应用的产品版本需要考虑其生命周期。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），出于同时对模型能力和实际「生产力」的关注，[2-1] 

① 研究者指出，题目开始上升，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