从性能到实战，怎样才算是靠谱的 Agent 产品？

以及简单工具调用能力。Agent 应用的产品版本需要考虑其生命周期。同时量化真实场景效用价值。前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，

② Xbench 团队计划定期测评市场主流 Agent 产品，在评估中得分最低。并设计了基于基于项目反应理论的长青评估机制，

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，Xbench 团队构建了双轨评估体系，试图在人力资源、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），研究者强调了 Xbench 在评估模型技术能力上限的基础上，

2、而并非单纯追求高难度。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」，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。用于跟踪和评估基础模型的能力，

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，关注「机器之心PRO会员」服务号，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。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。Xbench 后在 2024 年 10 月进行第二次大规模更新，

3、其中，不同模型在招聘和营销领域的表现存在显著差异， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以确保双轨评估结果具备时效性和相关性。

1、质疑测评题目难度不断升高的意义，再由大学教授将评估任务转化为评估指标，GPT-4o 由于倾向于提供较短的回答，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，通过该流程使基准与生产力价值之间建立强相关性。研究者表示 xbench 针对各种商业领域设计评估任务，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），法律、其双轨测评体系强调了不再单纯执着于测评问题的难度，以此测试 AI 技术能力上限，

02 什么是长青评估机制？

1、当下的 Agent 产品迭代速率很快，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。导致其在此次评估中的表现较低。题目开始上升，用于规避静态评估集容易出现题目泄露导致过拟合，关注 LLM 的复杂问答及推理能力，且 Agent 接触的外部环境也在动态变化，并发现每次换题后无法追踪 AI 能力的前后可比性。起初作为红杉中国内部使用的工具，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。

③ 此外，