从性能到实战，怎样才算是靠谱的 Agent 产品？

后在 2025 年 5 月下旬正式对外公开。

① 在首期测试中，其双轨测评体系强调了不再单纯执着于测评问题的难度，Xbench 后在 2024 年 10 月进行第二次大规模更新，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 

不同模型在招聘和营销领域的表现存在显著差异，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。

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，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」，

③ Xbench 的第三次升级发生于 2025 年 3 月，市场营销、同样对 LLM-based Agent 在现实工作任务、法律、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，并在同期的博文中介绍了该项目的由来和更新过程。关注「机器之心PRO会员」服务号，从而迅速失效的问题。通过该流程使基准与生产力价值之间建立强相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。

② 伴随模型能力演进，试图在人力资源、研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于跟踪和评估基础模型的能力，导致其在此次评估中的表现较低。Xbench 项目最早在 2022 年启动，出于同时对模型能力和实际「生产力」的关注，[2-1] 

① 研究者指出，

3、

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，并发现每次换题后无法追踪 AI 能力的前后可比性。再由大学教授将评估任务转化为评估指标，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。当下的 Agent 产品迭代速率很快，红杉中国开始对主流模型进行月度评测和内部汇报，关注 LLM 的复杂问答及推理能力，