从性能到实战，怎样才算是靠谱的 Agent 产品？

② 长青评估机制通过持续维护并动态更新测试内容，

① 在首期测试中，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），

]article_adlist-->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，而并非单纯追求高难度。法律、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），而是重点量化 AI 系统在真实场景的效用价值。出于同时对模型能力和实际「生产力」的关注，起初作为红杉中国内部使用的工具，关注「机器之心PRO会员」服务号，Agent 应用的产品版本需要考虑其生命周期。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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，前往「收件箱」查看完整解读