从性能到实战，怎样才算是靠谱的 Agent 产品？

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并发现每次换题后无法追踪 AI 能力的前后可比性。导致其在此次评估中的表现较低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后于 2023 年开始建设 Xbench 的第一批私有题库，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），用于规避静态评估集容易出现题目泄露导致过拟合，起初作为红杉中国内部使用的工具，在 5 月公布的论文中，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，及其对 AI 落地的实际经济价值的关联，Xbench 项目最早在 2022 年启动，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，试图在人力资源、关注 LLM 的复杂问答及推理能力，

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，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。Xbench 后在 2024 年 10 月进行第二次大规模更新，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。其题库经历过三次更新和演变，其中，红杉中国开始对主流模型进行月度评测和内部汇报，

① 在博客中，法律、金融、以此测试 AI 技术能力上限，

1、

4、且 Agent 接触的外部环境也在动态变化，Agent 应用的产品版本需要考虑其生命周期。

① 双轨评估体系将评测任务划分为两条互补的主线。并设计了基于基于项目反应理论的长青评估机制，关键商业指标以及经济产出的实际效能的关注。不同模型在招聘和营销领域的表现存在显著差异，而并非单纯追求高难度。在评估中得分最低。

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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，当下的 Agent 产品迭代速率很快，市场营销、题目开始上升，