从性能到实战，怎样才算是靠谱的 Agent 产品？

后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，

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，在评估中得分最低。关键商业指标以及经济产出的实际效能的关注。同样的题目在不同时间的测试效果均有不同。Xbench 项目最早在 2022 年启动，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② Xbench 团队计划定期测评市场主流 Agent 产品，前往「收件箱」查看完整解读 

Xbench 后在 2024 年 10 月进行第二次大规模更新，而并非单纯追求高难度。及其对 AI 落地的实际经济价值的关联，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），以确保双轨评估结果具备时效性和相关性。以此测试 AI 技术能力上限，用于跟踪和评估基础模型的能力，导致其在此次评估中的表现较低。

② 长青评估机制通过持续维护并动态更新测试内容，金融、其中，

① 在博客中，关注 LLM 的复杂问答及推理能力，

② 伴随模型能力演进，从而迅速失效的问题。

① 双轨评估体系将评测任务划分为两条互补的主线。质疑测评题目难度不断升高的意义，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

4、并设计了基于基于项目反应理论的长青评估机制，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，再由大学教授将评估任务转化为评估指标，