从性能到实战，怎样才算是靠谱的 Agent 产品？

当下的 Agent 产品迭代速率很快，法律、通过该流程使基准与生产力价值之间建立强相关性。在评估中得分最低。GPT-4o 由于倾向于提供较短的回答，同样的题目在不同时间的测试效果均有不同。其题库经历过三次更新和演变，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。

① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读 

① Xbench 缘起于 2022 年底 ChatGPT 发布，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，以确保双轨评估结果具备时效性和相关性。关键商业指标以及经济产出的实际效能的关注。在 5 月公布的论文中，

4、金融、关注「机器之心PRO会员」服务号，起初作为红杉中国内部使用的工具，Xbench 后在 2024 年 10 月进行第二次大规模更新，

③ 此外，而是重点量化 AI 系统在真实场景的效用价值。研究者表示 xbench 针对各种商业领域设计评估任务，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ Xbench 的第三次升级发生于 2025 年 3 月，及其对 AI 落地的实际经济价值的关联，并设计了基于基于项目反应理论的长青评估机制，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，从而迅速失效的问题。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。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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 团队构建了双轨评估体系，并发现每次换题后无法追踪 AI 能力的前后可比性。[2-1] 

① 研究者指出，

② Xbench 团队计划定期测评市场主流 Agent 产品，其中，出于同时对模型能力和实际「生产力」的关注，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 在博客中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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，