从性能到实战，怎样才算是靠谱的 Agent 产品？

③ Xbench 的第三次升级发生于 2025 年 3 月，以确保双轨评估结果具备时效性和相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，前往「收件箱」查看完整解读 

① Xbench 缘起于 2022 年底 ChatGPT 发布，

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，其中，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。并发现每次换题后无法追踪 AI 能力的前后可比性。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，点击菜单栏「收件箱」查看。GPT-4o 由于倾向于提供较短的回答，以及简单工具调用能力。但由于其在搜索中心任务上的适应性不足，红杉中国开始对主流模型进行月度评测和内部汇报，当下的 Agent 产品迭代速率很快，且 Agent 接触的外部环境也在动态变化，Xbench 后在 2024 年 10 月进行第二次大规模更新，用于跟踪和评估基础模型的能力，法律、通过该流程使基准与生产力价值之间建立强相关性。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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。

① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。