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。在评估中得分最低。市场营销、点击菜单栏「收件箱」查看。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。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），以此测试 AI 技术能力上限，同样对 LLM-based Agent 在现实工作任务、质疑测评题目难度不断升高的意义，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，用于跟踪和评估基础模型的能力，

2、起初作为红杉中国内部使用的工具，

4、

02 什么是长青评估机制？

1、[2-1] 

① 研究者指出，及其对 AI 落地的实际经济价值的关联，且 Agent 接触的外部环境也在动态变化，

② 伴随模型能力演进，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 后在 2024 年 10 月进行第二次大规模更新，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，再由大学教授将评估任务转化为评估指标，评估任务由对应领域的专家结合实际业务需求设定，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。法律、

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，金融、前往「收件箱」查看完整解读 

后在 2025 年 5 月下旬正式对外公开。关注 LLM 的复杂问答及推理能力，其题库经历过三次更新和演变，同时量化真实场景效用价值。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），后于 2023 年开始建设 Xbench 的第一批私有题库，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。并在同期的博文中介绍了该项目的由来和更新过程。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，红杉中国开始对主流模型进行月度评测和内部汇报，

① Xbench 缘起于 2022 年底 ChatGPT 发布，关注「机器之心PRO会员」服务号，

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，并设计了基于基于项目反应理论的长青评估机制，其中，

② 长青评估机制通过持续维护并动态更新测试内容，同样的题目在不同时间的测试效果均有不同。

1、