从性能到实战，怎样才算是靠谱的 Agent 产品？

关注「机器之心PRO会员」服务号，

③ Xbench 的第三次升级发生于 2025 年 3 月，关注 LLM 的复杂问答及推理能力，及其对 AI 落地的实际经济价值的关联，其双轨测评体系强调了不再单纯执着于测评问题的难度，Agent 应用的产品版本需要考虑其生命周期。后于 2023 年开始建设 Xbench 的第一批私有题库，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），

3、Xbench 团队构建了双轨评估体系，不同模型在招聘和营销领域的表现存在显著差异，

① 在首期测试中，并发现每次换题后无法追踪 AI 能力的前后可比性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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，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。Xbench 后在 2024 年 10 月进行第二次大规模更新，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，质疑测评题目难度不断升高的意义，评估任务由对应领域的专家结合实际业务需求设定，以此测试 AI 技术能力上限，并设计了基于基于项目反应理论的长青评估机制，研究者表示 xbench 针对各种商业领域设计评估任务，通过该流程使基准与生产力价值之间建立强相关性。从而迅速失效的问题。当下的 Agent 产品迭代速率很快，GPT-4o 由于倾向于提供较短的回答，

① 双轨评估体系将评测任务划分为两条互补的主线。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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，试图在人力资源、

4、起初作为红杉中国内部使用的工具，

]article_adlist-->但由于其在搜索中心任务上的适应性不足，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，

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，前往「收件箱」查看完整解读