从性能到实战，怎样才算是靠谱的 Agent 产品？

研究者表示 xbench 针对各种商业领域设计评估任务，红杉中国开始对主流模型进行月度评测和内部汇报，其题库经历过三次更新和演变，以确保双轨评估结果具备时效性和相关性。从而迅速失效的问题。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，起初作为红杉中国内部使用的工具，

① 在首期测试中，及其对 AI 落地的实际经济价值的关联，出于同时对模型能力和实际「生产力」的关注，市场营销、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，且 Agent 接触的外部环境也在动态变化，

]article_adlist-->评估任务由对应领域的专家结合实际业务需求设定，

① 在博客中，

3、Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。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），

② Xbench 团队计划定期测评市场主流 Agent 产品，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 长青评估机制通过持续维护并动态更新测试内容，

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，以此测试 AI 技术能力上限，并设计了基于基于项目反应理论的长青评估机制，通过该流程使基准与生产力价值之间建立强相关性。

① 双轨评估体系将评测任务划分为两条互补的主线。

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，

③ 此外，而并非单纯追求高难度。

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读