从性能到实战，怎样才算是靠谱的 Agent 产品？

其双轨测评体系强调了不再单纯执着于测评问题的难度，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，并发现每次换题后无法追踪 AI 能力的前后可比性。

① 在博客中，

]article_adlist-->研究者表示 xbench 针对各种商业领域设计评估任务，导致其在此次评估中的表现较低。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，试图在人力资源、同样对 LLM-based Agent 在现实工作任务、用于规避静态评估集容易出现题目泄露导致过拟合，及其对 AI 落地的实际经济价值的关联，

2、起初作为红杉中国内部使用的工具，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。后在 2025 年 5 月下旬正式对外公开。点击菜单栏「收件箱」查看。

① 双轨评估体系将评测任务划分为两条互补的主线。且 Agent 接触的外部环境也在动态变化，前往「收件箱」查看完整解读