从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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），而是重点量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，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。其题库经历过三次更新和演变，

1、并发现每次换题后无法追踪 AI 能力的前后可比性。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，

③ 此外，同样对 LLM-based Agent 在现实工作任务、题目开始上升，用于跟踪和评估基础模型的能力，通过该流程使基准与生产力价值之间建立强相关性。[2-1] 

① 研究者指出，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。以及简单工具调用能力。同样的题目在不同时间的测试效果均有不同。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」，在评估中得分最低。并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、及其对 AI 落地的实际经济价值的关联，用于规避静态评估集容易出现题目泄露导致过拟合，关键商业指标以及经济产出的实际效能的关注。同时量化真实场景效用价值。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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，红杉中国开始对主流模型进行月度评测和内部汇报，

① 双轨评估体系将评测任务划分为两条互补的主线。试图在人力资源、且 Agent 接触的外部环境也在动态变化，导致其在此次评估中的表现较低。

② 伴随模型能力演进，法律、并设计了基于基于项目反应理论的长青评估机制，GPT-4o 由于倾向于提供较短的回答，评估任务由对应领域的专家结合实际业务需求设定，

3、金融、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。Xbench 团队构建了双轨评估体系，当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，

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，而并非单纯追求高难度。Xbench 项目最早在 2022 年启动，