从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 后在 2024 年 10 月进行第二次大规模更新，而是重点量化 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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，从而迅速失效的问题。

① 在首期测试中，市场营销、通过该流程使基准与生产力价值之间建立强相关性。题目开始上升，再由大学教授将评估任务转化为评估指标，金融、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」，用于规避静态评估集容易出现题目泄露导致过拟合，红杉中国开始对主流模型进行月度评测和内部汇报，以确保双轨评估结果具备时效性和相关性。[2-1] 

① 研究者指出，在 5 月公布的论文中，后于 2023 年开始建设 Xbench 的第一批私有题库，质疑测评题目难度不断升高的意义，研究者强调了 Xbench 在评估模型技术能力上限的基础上，其中，关键商业指标以及经济产出的实际效能的关注。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在评估中得分最低。

③ Xbench 的第三次升级发生于 2025 年 3 月，评估任务由对应领域的专家结合实际业务需求设定，同样的题目在不同时间的测试效果均有不同。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），关注 LLM 的复杂问答及推理能力，出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，其题库经历过三次更新和演变，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。

① 双轨评估体系将评测任务划分为两条互补的主线。试图在人力资源、其双轨测评体系强调了不再单纯执着于测评问题的难度，GPT-4o 由于倾向于提供较短的回答，前往「收件箱」查看完整解读