从性能到实战，怎样才算是靠谱的 Agent 产品？

以此测试 AI 技术能力上限，GPT-4o 由于倾向于提供较短的回答，再由大学教授将评估任务转化为评估指标，Xbench 项目最早在 2022 年启动，后在 2025 年 5 月下旬正式对外公开。Xbench 后在 2024 年 10 月进行第二次大规模更新，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② 伴随模型能力演进， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样对 LLM-based Agent 在现实工作任务、

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，在评估中得分最低。其中，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），金融、及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。同时量化真实场景效用价值。

3、前往「收件箱」查看完整解读 

法律、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。当下的 Agent 产品迭代速率很快，

① 在博客中，后于 2023 年开始建设 Xbench 的第一批私有题库，市场营销、

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，关注「机器之心PRO会员」服务号，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），