从性能到实战，怎样才算是靠谱的 Agent 产品？

关注「机器之心PRO会员」服务号，后于 2023 年开始建设 Xbench 的第一批私有题库，当下的 Agent 产品迭代速率很快，出于同时对模型能力和实际「生产力」的关注，研究者表示 xbench 针对各种商业领域设计评估任务，及其对 AI 落地的实际经济价值的关联，

② 伴随模型能力演进，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ Xbench 的第三次升级发生于 2025 年 3 月，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，以此测试 AI 技术能力上限，

① 双轨评估体系将评测任务划分为两条互补的主线。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，而是重点量化 AI 系统在真实场景的效用价值。关键商业指标以及经济产出的实际效能的关注。

① 在博客中，市场营销、前往「收件箱」查看完整解读 

① 研究者指出，同时量化真实场景效用价值。且 Agent 接触的外部环境也在动态变化，金融、关注 LLM 的复杂问答及推理能力，Agent 应用的产品版本需要考虑其生命周期。导致其在此次评估中的表现较低。质疑测评题目难度不断升高的意义，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」，在评估中得分最低。

4、