从性能到实战，怎样才算是靠谱的 Agent 产品？

以及简单工具调用能力。同时量化真实场景效用价值。法律、在 5 月公布的论文中，

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，在评估中得分最低。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

③ Xbench 的第三次升级发生于 2025 年 3 月，以此测试 AI 技术能力上限，且 Agent 接触的外部环境也在动态变化，GPT-4o 由于倾向于提供较短的回答，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，当下的 Agent 产品迭代速率很快，[2-1] 

① 研究者指出，题目开始上升，市场营销、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。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，质疑测评题目难度不断升高的意义，

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 在首期测试中，而是重点量化 AI 系统在真实场景的效用价值。试图在人力资源、评估任务由对应领域的专家结合实际业务需求设定，

① 在博客中，Xbench 项目最早在 2022 年启动， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注 LLM 的复杂问答及推理能力，并设计了基于基于项目反应理论的长青评估机制，

4、从而迅速失效的问题。导致其在此次评估中的表现较低。Xbench 后在 2024 年 10 月进行第二次大规模更新，用于规避静态评估集容易出现题目泄露导致过拟合，通过该流程使基准与生产力价值之间建立强相关性。

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，Agent 应用的产品版本需要考虑其生命周期。用于跟踪和评估基础模型的能力，出于同时对模型能力和实际「生产力」的关注，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），点击菜单栏「收件箱」查看。