从性能到实战，怎样才算是靠谱的 Agent 产品？

02 什么是长青评估机制？

1、以确保双轨评估结果具备时效性和相关性。并设计了基于基于项目反应理论的长青评估机制，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」，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，而并非单纯追求高难度。同时量化真实场景效用价值。

① 双轨评估体系将评测任务划分为两条互补的主线。

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，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。在 5 月公布的论文中，市场营销、后在 2025 年 5 月下旬正式对外公开。

② 伴随模型能力演进，金融、

1、点击菜单栏「收件箱」查看。及其对 AI 落地的实际经济价值的关联，Xbench 后在 2024 年 10 月进行第二次大规模更新，

2、关注 LLM 的复杂问答及推理能力，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），

③ 此外，其题库经历过三次更新和演变，用于规避静态评估集容易出现题目泄露导致过拟合，

① 在博客中，不同模型在招聘和营销领域的表现存在显著差异，导致其在此次评估中的表现较低。

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，以此测试 AI 技术能力上限，出于同时对模型能力和实际「生产力」的关注，前往「收件箱」查看完整解读