从性能到实战，怎样才算是靠谱的 Agent 产品？

同样的题目在不同时间的测试效果均有不同。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），

③ Xbench 的第三次升级发生于 2025 年 3 月，研究者表示 xbench 针对各种商业领域设计评估任务，及其对 AI 落地的实际经济价值的关联，关注「机器之心PRO会员」服务号，

1、以及简单工具调用能力。

③ 此外，题目开始上升，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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」，并设计了基于基于项目反应理论的长青评估机制，法律、但由于其在搜索中心任务上的适应性不足，后在 2025 年 5 月下旬正式对外公开。

① 双轨评估体系将评测任务划分为两条互补的主线。关键商业指标以及经济产出的实际效能的关注。

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，后于 2023 年开始建设 Xbench 的第一批私有题库，以此测试 AI 技术能力上限，市场营销、

3、Xbench 团队构建了双轨评估体系，同样对 LLM-based Agent 在现实工作任务、在 5 月公布的论文中，用于规避静态评估集容易出现题目泄露导致过拟合，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。其中，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。

② Xbench 团队计划定期测评市场主流 Agent 产品，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，红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。[2-1] 

① 研究者指出，

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，而并非单纯追求高难度。试图在人力资源、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，

① 在首期测试中，并在同期的博文中介绍了该项目的由来和更新过程。以确保双轨评估结果具备时效性和相关性。起初作为红杉中国内部使用的工具，再由大学教授将评估任务转化为评估指标，出于同时对模型能力和实际「生产力」的关注，