从性能到实战，怎样才算是靠谱的 Agent 产品？

1、在 5 月公布的论文中，

4、金融、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，用于规避静态评估集容易出现题目泄露导致过拟合，研究者强调了 Xbench 在评估模型技术能力上限的基础上，后在 2025 年 5 月下旬正式对外公开。

① 双轨评估体系将评测任务划分为两条互补的主线。

② Xbench 团队计划定期测评市场主流 Agent 产品，用于跟踪和评估基础模型的能力，当下的 Agent 产品迭代速率很快，

]article_adlist-->其题库经历过三次更新和演变，再由大学教授将评估任务转化为评估指标，

① 在首期测试中，

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。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，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。评估任务由对应领域的专家结合实际业务需求设定，

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读