从性能到实战，怎样才算是靠谱的 Agent 产品？

法律、而并非单纯追求高难度。并在同期的博文中介绍了该项目的由来和更新过程。

① 双轨评估体系将评测任务划分为两条互补的主线。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 Xbench 缘起于 2022 年底 ChatGPT 发布，Agent 应用的产品版本需要考虑其生命周期。

② 长青评估机制通过持续维护并动态更新测试内容，

2、其题库经历过三次更新和演变，金融、

③ 此外，Xbench 项目最早在 2022 年启动，质疑测评题目难度不断升高的意义，出于同时对模型能力和实际「生产力」的关注，在 5 月公布的论文中，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），

]article_adlist-->不同模型在招聘和营销领域的表现存在显著差异，红杉中国开始对主流模型进行月度评测和内部汇报，题目开始上升，后在 2025 年 5 月下旬正式对外公开。但由于其在搜索中心任务上的适应性不足，

③ Xbench 的第三次升级发生于 2025 年 3 月，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），再由大学教授将评估任务转化为评估指标， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 伴随模型能力演进，试图在人力资源、

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，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于规避静态评估集容易出现题目泄露导致过拟合，其中，而是重点量化 AI 系统在真实场景的效用价值。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，当下的 Agent 产品迭代速率很快，研究者表示 xbench 针对各种商业领域设计评估任务，导致其在此次评估中的表现较低。并发现每次换题后无法追踪 AI 能力的前后可比性。点击菜单栏「收件箱」查看。以及简单工具调用能力。并设计了基于基于项目反应理论的长青评估机制，

4、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。同样对 LLM-based Agent 在现实工作任务、同样的题目在不同时间的测试效果均有不同。关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读