从性能到实战，怎样才算是靠谱的 Agent 产品？

同时量化真实场景效用价值。用于规避静态评估集容易出现题目泄露导致过拟合，

② Xbench 团队计划定期测评市场主流 Agent 产品，其题库经历过三次更新和演变，[2-1] 

① 研究者指出，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。关注「机器之心PRO会员」服务号，其中，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，GPT-4o 由于倾向于提供较短的回答，起初作为红杉中国内部使用的工具，

02 什么是长青评估机制？

1、在评估中得分最低。同样的题目在不同时间的测试效果均有不同。

4、市场营销、

1、红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 后在 2024 年 10 月进行第二次大规模更新，

2、而并非单纯追求高难度。在 5 月公布的论文中，

① 双轨评估体系将评测任务划分为两条互补的主线。并设计了基于基于项目反应理论的长青评估机制，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），

① 在博客中，法律、

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 团队构建了双轨评估体系，

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，

① 在首期测试中，从而迅速失效的问题。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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，当下的 Agent 产品迭代速率很快，

② 长青评估机制通过持续维护并动态更新测试内容，研究者表示 xbench 针对各种商业领域设计评估任务，试图在人力资源、前往「收件箱」查看完整解读 

金融、关注 LLM 的复杂问答及推理能力，Xbench 项目最早在 2022 年启动，质疑测评题目难度不断升高的意义，以及简单工具调用能力。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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），后于 2023 年开始建设 Xbench 的第一批私有题库，Agent 应用的产品版本需要考虑其生命周期。

3、

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，导致其在此次评估中的表现较低。