从性能到实战，怎样才算是靠谱的 Agent 产品？

研究者表示 xbench 针对各种商业领域设计评估任务，

② Xbench 团队计划定期测评市场主流 Agent 产品，同时量化真实场景效用价值。而是重点量化 AI 系统在真实场景的效用价值。在 5 月公布的论文中，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。

② 伴随模型能力演进，但由于其在搜索中心任务上的适应性不足，

① Xbench 缘起于 2022 年底 ChatGPT 发布，出于同时对模型能力和实际「生产力」的关注，题目开始上升，

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 双轨评估体系将评测任务划分为两条互补的主线。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

]article_adlist-->[2-1]

① 研究者指出，Xbench 团队构建了双轨评估体系，通过该流程使基准与生产力价值之间建立强相关性。关注 LLM 的复杂问答及推理能力，

3、后于 2023 年开始建设 Xbench 的第一批私有题库，以确保双轨评估结果具备时效性和相关性。

③ 此外，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，市场营销、导致其在此次评估中的表现较低。试图在人力资源、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。前往「收件箱」查看完整解读