从性能到实战，怎样才算是靠谱的 Agent 产品？

① Xbench 缘起于 2022 年底 ChatGPT 发布，并设计了基于基于项目反应理论的长青评估机制，用于跟踪和评估基础模型的能力， 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、Xbench 团队构建了双轨评估体系，

02 什么是长青评估机制？

1、起初作为红杉中国内部使用的工具，试图在人力资源、点击菜单栏「收件箱」查看。红杉中国开始对主流模型进行月度评测和内部汇报，后在 2025 年 5 月下旬正式对外公开。关注 LLM 的复杂问答及推理能力，后于 2023 年开始建设 Xbench 的第一批私有题库，通过该流程使基准与生产力价值之间建立强相关性。同时量化真实场景效用价值。前往「收件箱」查看完整解读 

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，Xbench 项目最早在 2022 年启动，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。不同模型在招聘和营销领域的表现存在显著差异，市场营销、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。以此测试 AI 技术能力上限，

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，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），

红杉中国团队近日提出了 AI 基准测试工具 Xbench，且 Agent 接触的外部环境也在动态变化，研究者表示 xbench 针对各种商业领域设计评估任务，

2、从而迅速失效的问题。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，

4、

3、出于同时对模型能力和实际「生产力」的关注，

③ 此外，质疑测评题目难度不断升高的意义，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。但由于其在搜索中心任务上的适应性不足，其中，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。评估任务由对应领域的专家结合实际业务需求设定，

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，以确保双轨评估结果具备时效性和相关性。