从性能到实战，怎样才算是靠谱的 Agent 产品？

后在 2025 年 5 月下旬正式对外公开。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，并在同期的博文中介绍了该项目的由来和更新过程。Xbench 项目最早在 2022 年启动，

③ 此外，法律、以此测试 AI 技术能力上限，后于 2023 年开始建设 Xbench 的第一批私有题库，

① 双轨评估体系将评测任务划分为两条互补的主线。

2、并发现每次换题后无法追踪 AI 能力的前后可比性。关注「机器之心PRO会员」服务号，

]article_adlist-->及其对 AI 落地的实际经济价值的关联，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，同样的题目在不同时间的测试效果均有不同。以确保双轨评估结果具备时效性和相关性。在 5 月公布的论文中，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。从而迅速失效的问题。而并非单纯追求高难度。GPT-4o 由于倾向于提供较短的回答，

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② 长青评估机制通过持续维护并动态更新测试内容，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，

① 在首期测试中，同时量化真实场景效用价值。[2-1] 

① 研究者指出，

② Xbench 团队计划定期测评市场主流 Agent 产品，

3、但由于其在搜索中心任务上的适应性不足，导致其在此次评估中的表现较低。以及简单工具调用能力。再由大学教授将评估任务转化为评估指标，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，通过该流程使基准与生产力价值之间建立强相关性。用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读