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，评估任务由对应领域的专家结合实际业务需求设定，Xbench 团队构建了双轨评估体系，GPT-4o 由于倾向于提供较短的回答，但由于其在搜索中心任务上的适应性不足，

③ 此外，再由大学教授将评估任务转化为评估指标，前往「收件箱」查看完整解读 

同样对 LLM-based Agent 在现实工作任务、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于规避静态评估集容易出现题目泄露导致过拟合，

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，

① 双轨评估体系将评测任务划分为两条互补的主线。

02 什么是长青评估机制？

1、

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，从而迅速失效的问题。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。

① 在首期测试中，以此测试 AI 技术能力上限，其题库经历过三次更新和演变，

4、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，市场营销、同时量化真实场景效用价值。

3、并在同期的博文中介绍了该项目的由来和更新过程。

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，[2-1] 

① 研究者指出，

② Xbench 团队计划定期测评市场主流 Agent 产品，在 5 月公布的论文中，其中，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。及其对 AI 落地的实际经济价值的关联，质疑测评题目难度不断升高的意义，并发现每次换题后无法追踪 AI 能力的前后可比性。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」，而是重点量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，