从性能到实战，怎样才算是靠谱的 Agent 产品？

关注 LLM 的复杂问答及推理能力，而是重点量化 AI 系统在真实场景的效用价值。并发现每次换题后无法追踪 AI 能力的前后可比性。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。

1、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，

② 伴随模型能力演进，以确保双轨评估结果具备时效性和相关性。用于规避静态评估集容易出现题目泄露导致过拟合，后在 2025 年 5 月下旬正式对外公开。

02 什么是长青评估机制？

1、

① 双轨评估体系将评测任务划分为两条互补的主线。导致其在此次评估中的表现较低。同样对 LLM-based Agent 在现实工作任务、其双轨测评体系强调了不再单纯执着于测评问题的难度，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

③ 此外，GPT-4o 由于倾向于提供较短的回答，

4、但由于其在搜索中心任务上的适应性不足，金融、起初作为红杉中国内部使用的工具，而并非单纯追求高难度。红杉中国开始对主流模型进行月度评测和内部汇报，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」，当下的 Agent 产品迭代速率很快，

3、

② 长青评估机制通过持续维护并动态更新测试内容，题目开始上升，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同时量化真实场景效用价值。且 Agent 接触的外部环境也在动态变化，其中，并在同期的博文中介绍了该项目的由来和更新过程。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，后于 2023 年开始建设 Xbench 的第一批私有题库，

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，前往「收件箱」查看完整解读