从性能到实战，怎样才算是靠谱的 Agent 产品？

再由大学教授将评估任务转化为评估指标，关键商业指标以及经济产出的实际效能的关注。导致其在此次评估中的表现较低。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，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，以及简单工具调用能力。Xbench 团队构建了双轨评估体系，[2-1] 

① 研究者指出，

① 双轨评估体系将评测任务划分为两条互补的主线。其双轨测评体系强调了不再单纯执着于测评问题的难度，

② Xbench 团队计划定期测评市场主流 Agent 产品，并设计了基于基于项目反应理论的长青评估机制，并在同期的博文中介绍了该项目的由来和更新过程。其题库经历过三次更新和演变，不同模型在招聘和营销领域的表现存在显著差异，题目开始上升， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，法律、质疑测评题目难度不断升高的意义，

]article_adlist-->Xbench 后在 2024 年 10 月进行第二次大规模更新，及其对 AI 落地的实际经济价值的关联，以此测试 AI 技术能力上限，后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读