从性能到实战，怎样才算是靠谱的 Agent 产品？

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，GPT-4o 由于倾向于提供较短的回答，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，质疑测评题目难度不断升高的意义，

① 在首期测试中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关注 LLM 的复杂问答及推理能力，以及简单工具调用能力。同时量化真实场景效用价值。以确保双轨评估结果具备时效性和相关性。其中，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。

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，其题库经历过三次更新和演变，前往「收件箱」查看完整解读 

4、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），点击菜单栏「收件箱」查看。

③ Xbench 的第三次升级发生于 2025 年 3 月，后在 2025 年 5 月下旬正式对外公开。起初作为红杉中国内部使用的工具，金融、用于跟踪和评估基础模型的能力，及其对 AI 落地的实际经济价值的关联，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，后于 2023 年开始建设 Xbench 的第一批私有题库，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注「机器之心PRO会员」服务号，