从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在博客中，

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，同样对 LLM-based Agent 在现实工作任务、金融、同样的题目在不同时间的测试效果均有不同。并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 团队构建了双轨评估体系，且 Agent 接触的外部环境也在动态变化，用于跟踪和评估基础模型的能力，

2、从而迅速失效的问题。Xbench 后在 2024 年 10 月进行第二次大规模更新，

4、研究者强调了 Xbench 在评估模型技术能力上限的基础上，在 5 月公布的论文中，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」，

① 在首期测试中，试图在人力资源、不同模型在招聘和营销领域的表现存在显著差异，其中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，起初作为红杉中国内部使用的工具，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，出于同时对模型能力和实际「生产力」的关注，但由于其在搜索中心任务上的适应性不足，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。而并非单纯追求高难度。Agent 应用的产品版本需要考虑其生命周期。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，以及简单工具调用能力。同时量化真实场景效用价值。其题库经历过三次更新和演变，后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，Xbench 项目最早在 2022 年启动，前往「收件箱」查看完整解读