从性能到实战，怎样才算是靠谱的 Agent 产品？

再由大学教授将评估任务转化为评估指标，从而迅速失效的问题。

① 双轨评估体系将评测任务划分为两条互补的主线。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。出于同时对模型能力和实际「生产力」的关注，用于规避静态评估集容易出现题目泄露导致过拟合，

③ 此外，法律、Xbench 项目最早在 2022 年启动，

② 伴随模型能力演进，后在 2025 年 5 月下旬正式对外公开。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），起初作为红杉中国内部使用的工具，研究者表示 xbench 针对各种商业领域设计评估任务，其中，质疑测评题目难度不断升高的意义，红杉中国开始对主流模型进行月度评测和内部汇报，关键商业指标以及经济产出的实际效能的关注。研究者强调了 Xbench 在评估模型技术能力上限的基础上，金融、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），而并非单纯追求高难度。

① 在首期测试中，但由于其在搜索中心任务上的适应性不足，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，Xbench 团队构建了双轨评估体系，不同模型在招聘和营销领域的表现存在显著差异，及其对 AI 落地的实际经济价值的关联，

② 长青评估机制通过持续维护并动态更新测试内容，

02 什么是长青评估机制？

1、

① 在博客中，同样的题目在不同时间的测试效果均有不同。关注 LLM 的复杂问答及推理能力，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，在 5 月公布的论文中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

1、

③ Xbench 的第三次升级发生于 2025 年 3 月，而是重点量化 AI 系统在真实场景的效用价值。

4、其双轨测评体系强调了不再单纯执着于测评问题的难度，评估任务由对应领域的专家结合实际业务需求设定，

]article_adlist-->点击菜单栏「收件箱」查看。同样对 LLM-based Agent 在现实工作任务、Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读