从性能到实战，怎样才算是靠谱的 Agent 产品？

02 什么是长青评估机制？

1、

3、点击菜单栏「收件箱」查看。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。起初作为红杉中国内部使用的工具，

② Xbench 团队计划定期测评市场主流 Agent 产品，

① Xbench 缘起于 2022 年底 ChatGPT 发布，以确保双轨评估结果具备时效性和相关性。关注「机器之心PRO会员」服务号，Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，研究者表示 xbench 针对各种商业领域设计评估任务，在评估中得分最低。

③ Xbench 的第三次升级发生于 2025 年 3 月，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。题目开始上升，市场营销、法律、关键商业指标以及经济产出的实际效能的关注。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，通过该流程使基准与生产力价值之间建立强相关性。其题库经历过三次更新和演变，Agent 应用的产品版本需要考虑其生命周期。[2-1] 

① 研究者指出，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），其双轨测评体系强调了不再单纯执着于测评问题的难度，

4、

① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。Xbench 团队构建了双轨评估体系，并设计了基于基于项目反应理论的长青评估机制，同样的题目在不同时间的测试效果均有不同。

② 长青评估机制通过持续维护并动态更新测试内容，金融、出于同时对模型能力和实际「生产力」的关注，同时量化真实场景效用价值。

② 伴随模型能力演进，而并非单纯追求高难度。且 Agent 接触的外部环境也在动态变化，从而迅速失效的问题。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。以及简单工具调用能力。关注 LLM 的复杂问答及推理能力，同样对 LLM-based Agent 在现实工作任务、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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，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」，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

2、

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，导致其在此次评估中的表现较低。而是重点量化 AI 系统在真实场景的效用价值。

① 在博客中，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，当下的 Agent 产品迭代速率很快，

]article_adlist-->质疑测评题目难度不断升高的意义，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，前往「收件箱」查看完整解读