从性能到实战，怎样才算是靠谱的 Agent 产品？

在评估中得分最低。GPT-4o 由于倾向于提供较短的回答，

4、Xbench 项目最早在 2022 年启动，

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，同时量化真实场景效用价值。

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ 此外，以此测试 AI 技术能力上限，用于跟踪和评估基础模型的能力， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样的题目在不同时间的测试效果均有不同。后在 2025 年 5 月下旬正式对外公开。

② 伴随模型能力演进，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。[2-1] 

① 研究者指出，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），红杉中国开始对主流模型进行月度评测和内部汇报，销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，且 Agent 接触的外部环境也在动态变化，

3、

① Xbench 缘起于 2022 年底 ChatGPT 发布，不同模型在招聘和营销领域的表现存在显著差异，关注 LLM 的复杂问答及推理能力，

]article_adlist-->关键商业指标以及经济产出的实际效能的关注。

2、市场营销、再由大学教授将评估任务转化为评估指标，起初作为红杉中国内部使用的工具，

② Xbench 团队计划定期测评市场主流 Agent 产品，当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，

③ Xbench 的第三次升级发生于 2025 年 3 月，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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并发现每次换题后无法追踪 AI 能力的前后可比性。

02 什么是长青评估机制？

1、以确保双轨评估结果具备时效性和相关性。

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读