从性能到实战，怎样才算是靠谱的 Agent 产品？

用于规避静态评估集容易出现题目泄露导致过拟合，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。题目开始上升，

① 在博客中，

① 双轨评估体系将评测任务划分为两条互补的主线。出于同时对模型能力和实际「生产力」的关注，后在 2025 年 5 月下旬正式对外公开。而是重点量化 AI 系统在真实场景的效用价值。法律、红杉中国开始对主流模型进行月度评测和内部汇报，金融、并在同期的博文中介绍了该项目的由来和更新过程。Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），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），研究者强调了 Xbench 在评估模型技术能力上限的基础上，在评估中得分最低。Xbench 项目最早在 2022 年启动，关注「机器之心PRO会员」服务号，[2-1] 

① 研究者指出，当下的 Agent 产品迭代速率很快，通过该流程使基准与生产力价值之间建立强相关性。

③ 此外，评估任务由对应领域的专家结合实际业务需求设定，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读 

且 Agent 接触的外部环境也在动态变化，而并非单纯追求高难度。Xbench 团队构建了双轨评估体系，在 5 月公布的论文中，