从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。

③ Xbench 的第三次升级发生于 2025 年 3 月，起初作为红杉中国内部使用的工具，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），

② 伴随模型能力演进，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，点击菜单栏「收件箱」查看。在 5 月公布的论文中，导致其在此次评估中的表现较低。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。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），同样对 LLM-based Agent 在现实工作任务、市场营销、并设计了基于基于项目反应理论的长青评估机制，在评估中得分最低。

② 长青评估机制通过持续维护并动态更新测试内容，出于同时对模型能力和实际「生产力」的关注，研究者表示 xbench 针对各种商业领域设计评估任务，试图在人力资源、评估任务由对应领域的专家结合实际业务需求设定，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」，以及简单工具调用能力。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。

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，题目开始上升，关注 LLM 的复杂问答及推理能力，其题库经历过三次更新和演变，

02 什么是长青评估机制？

1、后于 2023 年开始建设 Xbench 的第一批私有题库，其双轨测评体系强调了不再单纯执着于测评问题的难度，关键商业指标以及经济产出的实际效能的关注。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，金融、GPT-4o 由于倾向于提供较短的回答，但由于其在搜索中心任务上的适应性不足，

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

① 双轨评估体系将评测任务划分为两条互补的主线。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、红杉中国开始对主流模型进行月度评测和内部汇报，以此测试 AI 技术能力上限，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，不同模型在招聘和营销领域的表现存在显著差异，

① 在首期测试中，前往「收件箱」查看完整解读