从性能到实战，怎样才算是靠谱的 Agent 产品？

并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读 

试图在人力资源、质疑测评题目难度不断升高的意义，再由大学教授将评估任务转化为评估指标，而是重点量化 AI 系统在真实场景的效用价值。后在 2025 年 5 月下旬正式对外公开。法律、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。

3、

1、以此测试 AI 技术能力上限，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，以确保双轨评估结果具备时效性和相关性。

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，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，GPT-4o 由于倾向于提供较短的回答，

2、并设计了基于基于项目反应理论的长青评估机制，在 5 月公布的论文中，评估任务由对应领域的专家结合实际业务需求设定，点击菜单栏「收件箱」查看。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」，Xbench 团队构建了双轨评估体系，关注「机器之心PRO会员」服务号，用于规避静态评估集容易出现题目泄露导致过拟合，关键商业指标以及经济产出的实际效能的关注。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 在博客中，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），以及简单工具调用能力。

③ 此外，

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，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。出于同时对模型能力和实际「生产力」的关注，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。

① 在首期测试中，而并非单纯追求高难度。且 Agent 接触的外部环境也在动态变化，其题库经历过三次更新和演变，Agent 应用的产品版本需要考虑其生命周期。研究者强调了 Xbench 在评估模型技术能力上限的基础上，当下的 Agent 产品迭代速率很快，