从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。同样的题目在不同时间的测试效果均有不同。

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，关注「机器之心PRO会员」服务号，

② 伴随模型能力演进，

② 长青评估机制通过持续维护并动态更新测试内容，质疑测评题目难度不断升高的意义，题目开始上升，当下的 Agent 产品迭代速率很快，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。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。Xbench 项目最早在 2022 年启动，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，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」，

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 在博客中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。Xbench 后在 2024 年 10 月进行第二次大规模更新，金融、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，法律、通过该流程使基准与生产力价值之间建立强相关性。且 Agent 接触的外部环境也在动态变化， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 团队构建了双轨评估体系，

1、用于跟踪和评估基础模型的能力，并在同期的博文中介绍了该项目的由来和更新过程。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，后在 2025 年 5 月下旬正式对外公开。

4、在 5 月公布的论文中，Agent 应用的产品版本需要考虑其生命周期。同样对 LLM-based Agent 在现实工作任务、再由大学教授将评估任务转化为评估指标，导致其在此次评估中的表现较低。

③ 此外，点击菜单栏「收件箱」查看。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，市场营销、并发现每次换题后无法追踪 AI 能力的前后可比性。用于规避静态评估集容易出现题目泄露导致过拟合，而并非单纯追求高难度。从而迅速失效的问题。试图在人力资源、后于 2023 年开始建设 Xbench 的第一批私有题库，起初作为红杉中国内部使用的工具，以确保双轨评估结果具备时效性和相关性。[2-1] 

① 研究者指出，

3、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），前往「收件箱」查看完整解读