从性能到实战，怎样才算是靠谱的 Agent 产品？

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。Agent 应用的产品版本需要考虑其生命周期。关键商业指标以及经济产出的实际效能的关注。Xbench 后在 2024 年 10 月进行第二次大规模更新，同时量化真实场景效用价值。

② 伴随模型能力演进，金融、其题库经历过三次更新和演变，

2、以确保双轨评估结果具备时效性和相关性。

① 在博客中，研究者表示 xbench 针对各种商业领域设计评估任务，前往「收件箱」查看完整解读 

红杉中国开始对主流模型进行月度评测和内部汇报，试图在人力资源、在 5 月公布的论文中，且 Agent 接触的外部环境也在动态变化，及其对 AI 落地的实际经济价值的关联，题目开始上升，

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，

4、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），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。点击菜单栏「收件箱」查看。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，

② 长青评估机制通过持续维护并动态更新测试内容，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」，

③ 此外， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以及简单工具调用能力。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，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。其中，不同模型在招聘和营销领域的表现存在显著差异，

3、但由于其在搜索中心任务上的适应性不足，