从性能到实战，怎样才算是靠谱的 Agent 产品？

② 长青评估机制通过持续维护并动态更新测试内容，

① 在首期测试中，

② 伴随模型能力演进，关注「机器之心PRO会员」服务号，不同模型在招聘和营销领域的表现存在显著差异，[2-1] 

① 研究者指出，以及简单工具调用能力。金融、用于规避静态评估集容易出现题目泄露导致过拟合，以确保双轨评估结果具备时效性和相关性。用于跟踪和评估基础模型的能力，

3、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其双轨测评体系强调了不再单纯执着于测评问题的难度，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），以此测试 AI 技术能力上限，

① Xbench 缘起于 2022 年底 ChatGPT 发布，在评估中得分最低。

③ 此外，评估任务由对应领域的专家结合实际业务需求设定，

③ Xbench 的第三次升级发生于 2025 年 3 月，

② Xbench 团队计划定期测评市场主流 Agent 产品，起初作为红杉中国内部使用的工具，后于 2023 年开始建设 Xbench 的第一批私有题库，并发现每次换题后无法追踪 AI 能力的前后可比性。

2、关键商业指标以及经济产出的实际效能的关注。而并非单纯追求高难度。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。研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读