从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，

]article_adlist-->同样对 LLM-based Agent 在现实工作任务、以确保双轨评估结果具备时效性和相关性。从而迅速失效的问题。

③ Xbench 的第三次升级发生于 2025 年 3 月，

1、题目开始上升，用于跟踪和评估基础模型的能力，关注 LLM 的复杂问答及推理能力，

4、而是重点量化 AI 系统在真实场景的效用价值。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），而并非单纯追求高难度。导致其在此次评估中的表现较低。再由大学教授将评估任务转化为评估指标，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」，但由于其在搜索中心任务上的适应性不足， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，其双轨测评体系强调了不再单纯执着于测评问题的难度，且 Agent 接触的外部环境也在动态变化，质疑测评题目难度不断升高的意义，

② 长青评估机制通过持续维护并动态更新测试内容，研究者表示 xbench 针对各种商业领域设计评估任务，前往「收件箱」查看完整解读