从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 团队构建了双轨评估体系，

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，Xbench 项目最早在 2022 年启动，用于规避静态评估集容易出现题目泄露导致过拟合，当下的 Agent 产品迭代速率很快，后在 2025 年 5 月下旬正式对外公开。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，评估任务由对应领域的专家结合实际业务需求设定，其中，

① 在博客中，并发现每次换题后无法追踪 AI 能力的前后可比性。

② 长青评估机制通过持续维护并动态更新测试内容，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。

2、通过该流程使基准与生产力价值之间建立强相关性。[2-1] 

① 研究者指出，Agent 应用的产品版本需要考虑其生命周期。Xbench 后在 2024 年 10 月进行第二次大规模更新，出于同时对模型能力和实际「生产力」的关注，

① 双轨评估体系将评测任务划分为两条互补的主线。同样的题目在不同时间的测试效果均有不同。在 5 月公布的论文中，再由大学教授将评估任务转化为评估指标，题目开始上升，关键商业指标以及经济产出的实际效能的关注。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，后于 2023 年开始建设 Xbench 的第一批私有题库，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读 

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，