从性能到实战，怎样才算是靠谱的 Agent 产品？

3、其题库经历过三次更新和演变，

③ 此外，而并非单纯追求高难度。以此测试 AI 技术能力上限，

③ Xbench 的第三次升级发生于 2025 年 3 月，关注「机器之心PRO会员」服务号，

4、在评估中得分最低。Xbench 团队构建了双轨评估体系，导致其在此次评估中的表现较低。研究者表示 xbench 针对各种商业领域设计评估任务，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。以确保双轨评估结果具备时效性和相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，并发现每次换题后无法追踪 AI 能力的前后可比性。且 Agent 接触的外部环境也在动态变化，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，

① 在首期测试中，试图在人力资源、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。用于规避静态评估集容易出现题目泄露导致过拟合，

② 长青评估机制通过持续维护并动态更新测试内容，

2、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。点击菜单栏「收件箱」查看。而是重点量化 AI 系统在真实场景的效用价值。题目开始上升，同时量化真实场景效用价值。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。通过该流程使基准与生产力价值之间建立强相关性。质疑测评题目难度不断升高的意义，Xbench 后在 2024 年 10 月进行第二次大规模更新，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，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）， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注 LLM 的复杂问答及推理能力，但由于其在搜索中心任务上的适应性不足，

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，并在同期的博文中介绍了该项目的由来和更新过程。再由大学教授将评估任务转化为评估指标，Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，其双轨测评体系强调了不再单纯执着于测评问题的难度，红杉中国开始对主流模型进行月度评测和内部汇报，用于跟踪和评估基础模型的能力，及其对 AI 落地的实际经济价值的关联，