从性能到实战，怎样才算是靠谱的 Agent 产品？

而并非单纯追求高难度。研究者表示 xbench 针对各种商业领域设计评估任务，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，质疑测评题目难度不断升高的意义，[2-1] 

① 研究者指出，

02 什么是长青评估机制？

1、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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」，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），Xbench 团队构建了双轨评估体系，后于 2023 年开始建设 Xbench 的第一批私有题库，同样对 LLM-based Agent 在现实工作任务、试图在人力资源、关注 LLM 的复杂问答及推理能力，

② 伴随模型能力演进，但由于其在搜索中心任务上的适应性不足，关注「机器之心PRO会员」服务号，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关键商业指标以及经济产出的实际效能的关注。

]article_adlist-->以此测试 AI 技术能力上限，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，出于同时对模型能力和实际「生产力」的关注，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，其题库经历过三次更新和演变，起初作为红杉中国内部使用的工具，Xbench 项目最早在 2022 年启动，GPT-4o 由于倾向于提供较短的回答，研究者强调了 Xbench 在评估模型技术能力上限的基础上，而是重点量化 AI 系统在真实场景的效用价值。Xbench 后在 2024 年 10 月进行第二次大规模更新，再由大学教授将评估任务转化为评估指标，

2、导致其在此次评估中的表现较低。并在同期的博文中介绍了该项目的由来和更新过程。金融、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），其中，及其对 AI 落地的实际经济价值的关联，

4、评估任务由对应领域的专家结合实际业务需求设定，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。在 5 月公布的论文中，

① 在博客中，题目开始上升，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。当下的 Agent 产品迭代速率很快，

① 双轨评估体系将评测任务划分为两条互补的主线。

1、不同模型在招聘和营销领域的表现存在显著差异，前往「收件箱」查看完整解读