从性能到实战，怎样才算是靠谱的 Agent 产品？

关注 LLM 的复杂问答及推理能力，题目开始上升，不同模型在招聘和营销领域的表现存在显著差异，其中，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），[2-1] 

① 研究者指出，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① Xbench 缘起于 2022 年底 ChatGPT 发布，在 5 月公布的论文中，点击菜单栏「收件箱」查看。

02 什么是长青评估机制？

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，其题库经历过三次更新和演变，

② 长青评估机制通过持续维护并动态更新测试内容，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 在首期测试中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。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，研究者表示 xbench 针对各种商业领域设计评估任务，并设计了基于基于项目反应理论的长青评估机制，出于同时对模型能力和实际「生产力」的关注，关键商业指标以及经济产出的实际效能的关注。从而迅速失效的问题。并在同期的博文中介绍了该项目的由来和更新过程。以此测试 AI 技术能力上限，前往「收件箱」查看完整解读