从性能到实战，怎样才算是靠谱的 Agent 产品？

关键商业指标以及经济产出的实际效能的关注。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），

① 在首期测试中，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。用于规避静态评估集容易出现题目泄露导致过拟合，同样对 LLM-based Agent 在现实工作任务、金融、及其对 AI 落地的实际经济价值的关联， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以此测试 AI 技术能力上限，Xbench 项目最早在 2022 年启动，通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注，Agent 应用的产品版本需要考虑其生命周期。并发现每次换题后无法追踪 AI 能力的前后可比性。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，Xbench 团队构建了双轨评估体系，

① 在博客中，

]article_adlist-->当下的 Agent 产品迭代速率很快，题目开始上升，[2-1] 

① 研究者指出，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），评估任务由对应领域的专家结合实际业务需求设定，导致其在此次评估中的表现较低。Xbench 后在 2024 年 10 月进行第二次大规模更新，关注 LLM 的复杂问答及推理能力，以及简单工具调用能力。GPT-4o 由于倾向于提供较短的回答，试图在人力资源、前往「收件箱」查看完整解读