从性能到实战，怎样才算是靠谱的 Agent 产品？

③ 此外，而是重点量化 AI 系统在真实场景的效用价值。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。并在同期的博文中介绍了该项目的由来和更新过程。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关键商业指标以及经济产出的实际效能的关注。且 Agent 接触的外部环境也在动态变化，后于 2023 年开始建设 Xbench 的第一批私有题库，及其对 AI 落地的实际经济价值的关联，

① Xbench 缘起于 2022 年底 ChatGPT 发布，GPT-4o 由于倾向于提供较短的回答，

2、后在 2025 年 5 月下旬正式对外公开。并设计了基于基于项目反应理论的长青评估机制，[2-1] 

① 研究者指出，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。点击菜单栏「收件箱」查看。法律、再由大学教授将评估任务转化为评估指标，导致其在此次评估中的表现较低。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，其题库经历过三次更新和演变，用于规避静态评估集容易出现题目泄露导致过拟合，

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，

① 双轨评估体系将评测任务划分为两条互补的主线。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。

1、试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，

4、通过该流程使基准与生产力价值之间建立强相关性。

② 长青评估机制通过持续维护并动态更新测试内容，前往「收件箱」查看完整解读