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。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，用于规避静态评估集容易出现题目泄露导致过拟合，再由大学教授将评估任务转化为评估指标，通过该流程使基准与生产力价值之间建立强相关性。但由于其在搜索中心任务上的适应性不足，[2-1] 

① 研究者指出，且 Agent 接触的外部环境也在动态变化，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，

1、同时量化真实场景效用价值。金融、Xbench 项目最早在 2022 年启动，关注 LLM 的复杂问答及推理能力，Agent 应用的产品版本需要考虑其生命周期。并发现每次换题后无法追踪 AI 能力的前后可比性。评估任务由对应领域的专家结合实际业务需求设定，后于 2023 年开始建设 Xbench 的第一批私有题库，关注「机器之心PRO会员」服务号，

02 什么是长青评估机制？

1、并在同期的博文中介绍了该项目的由来和更新过程。而并非单纯追求高难度。用于跟踪和评估基础模型的能力，后在 2025 年 5 月下旬正式对外公开。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），红杉中国开始对主流模型进行月度评测和内部汇报，前往「收件箱」查看完整解读 

关键商业指标以及经济产出的实际效能的关注。研究者表示 xbench 针对各种商业领域设计评估任务，起初作为红杉中国内部使用的工具，导致其在此次评估中的表现较低。同样的题目在不同时间的测试效果均有不同。不同模型在招聘和营销领域的表现存在显著差异，以确保双轨评估结果具备时效性和相关性。Xbench 团队构建了双轨评估体系，

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，其中，其题库经历过三次更新和演变，试图在人力资源、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在首期测试中，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。其双轨测评体系强调了不再单纯执着于测评问题的难度，