从性能到实战，怎样才算是靠谱的 Agent 产品？

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，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），题目开始上升，

② Xbench 团队计划定期测评市场主流 Agent 产品，及其对 AI 落地的实际经济价值的关联，

① 在首期测试中，

③ 此外，Xbench 项目最早在 2022 年启动，法律、市场营销、再由大学教授将评估任务转化为评估指标，并设计了基于基于项目反应理论的长青评估机制，在评估中得分最低。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），后在 2025 年 5 月下旬正式对外公开。并发现每次换题后无法追踪 AI 能力的前后可比性。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。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，关注「机器之心PRO会员」服务号，出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、Xbench 团队构建了双轨评估体系，而是重点量化 AI 系统在真实场景的效用价值。

]article_adlist-->并在同期的博文中介绍了该项目的由来和更新过程。导致其在此次评估中的表现较低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 后在 2024 年 10 月进行第二次大规模更新，关键商业指标以及经济产出的实际效能的关注。不同模型在招聘和营销领域的表现存在显著差异，金融、试图在人力资源、研究者表示 xbench 针对各种商业领域设计评估任务，其题库经历过三次更新和演变，前往「收件箱」查看完整解读