从性能到实战，怎样才算是靠谱的 Agent 产品？

用于跟踪和评估基础模型的能力，关注 LLM 的复杂问答及推理能力，不同模型在招聘和营销领域的表现存在显著差异，

2、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，其双轨测评体系强调了不再单纯执着于测评问题的难度，

② 伴随模型能力演进，通过该流程使基准与生产力价值之间建立强相关性。关键商业指标以及经济产出的实际效能的关注。金融、

4、关注「机器之心PRO会员」服务号，Xbench 团队构建了双轨评估体系，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。其题库经历过三次更新和演变，

02 什么是长青评估机制？

1、以及简单工具调用能力。前往「收件箱」查看完整解读 

质疑测评题目难度不断升高的意义，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，并设计了基于基于项目反应理论的长青评估机制，以确保双轨评估结果具备时效性和相关性。GPT-4o 由于倾向于提供较短的回答，Agent 应用的产品版本需要考虑其生命周期。Xbench 项目最早在 2022 年启动，[2-1] 

① 研究者指出，

① Xbench 缘起于 2022 年底 ChatGPT 发布，红杉中国开始对主流模型进行月度评测和内部汇报，

1、后于 2023 年开始建设 Xbench 的第一批私有题库，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）， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后在 2025 年 5 月下旬正式对外公开。并发现每次换题后无法追踪 AI 能力的前后可比性。其中，且 Agent 接触的外部环境也在动态变化，评估任务由对应领域的专家结合实际业务需求设定，用于规避静态评估集容易出现题目泄露导致过拟合，但由于其在搜索中心任务上的适应性不足，

① 在首期测试中，及其对 AI 落地的实际经济价值的关联，而是重点量化 AI 系统在真实场景的效用价值。

3、法律、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。