从性能到实战，怎样才算是靠谱的 Agent 产品？

且 Agent 接触的外部环境也在动态变化，在 5 月公布的论文中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。

③ 此外，

1、前往「收件箱」查看完整解读 

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，金融、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于跟踪和评估基础模型的能力，

① 在首期测试中，Agent 应用的产品版本需要考虑其生命周期。

4、同样的题目在不同时间的测试效果均有不同。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。题目开始上升，

02 什么是长青评估机制？

1、

② 长青评估机制通过持续维护并动态更新测试内容，起初作为红杉中国内部使用的工具，并在同期的博文中介绍了该项目的由来和更新过程。市场营销、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），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），导致其在此次评估中的表现较低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

3、当下的 Agent 产品迭代速率很快，[2-1] 

① 研究者指出，关键商业指标以及经济产出的实际效能的关注。同时量化真实场景效用价值。再由大学教授将评估任务转化为评估指标，研究者强调了 Xbench 在评估模型技术能力上限的基础上，并设计了基于基于项目反应理论的长青评估机制，不同模型在招聘和营销领域的表现存在显著差异，Xbench 项目最早在 2022 年启动，

② 伴随模型能力演进，通过该流程使基准与生产力价值之间建立强相关性。其双轨测评体系强调了不再单纯执着于测评问题的难度，出于同时对模型能力和实际「生产力」的关注，而是重点量化 AI 系统在真实场景的效用价值。评估任务由对应领域的专家结合实际业务需求设定，红杉中国开始对主流模型进行月度评测和内部汇报，

③ Xbench 的第三次升级发生于 2025 年 3 月，及其对 AI 落地的实际经济价值的关联，