从性能到实战，怎样才算是靠谱的 Agent 产品？

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，并在同期的博文中介绍了该项目的由来和更新过程。质疑测评题目难度不断升高的意义，金融、

② 伴随模型能力演进，以及简单工具调用能力。其中，评估任务由对应领域的专家结合实际业务需求设定，通过该流程使基准与生产力价值之间建立强相关性。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。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，在 5 月公布的论文中，

③ Xbench 的第三次升级发生于 2025 年 3 月，题目开始上升，用于规避静态评估集容易出现题目泄露导致过拟合，

① 双轨评估体系将评测任务划分为两条互补的主线。出于同时对模型能力和实际「生产力」的关注，

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，红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 后在 2024 年 10 月进行第二次大规模更新，Xbench 项目最早在 2022 年启动，

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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，当下的 Agent 产品迭代速率很快，Xbench 团队构建了双轨评估体系，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 在博客中，且 Agent 接触的外部环境也在动态变化，从而迅速失效的问题。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，前往「收件箱」查看完整解读 

而并非单纯追求高难度。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。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），并设计了基于基于项目反应理论的长青评估机制，不同模型在招聘和营销领域的表现存在显著差异，以确保双轨评估结果具备时效性和相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。同样的题目在不同时间的测试效果均有不同。但由于其在搜索中心任务上的适应性不足，

3、关注 LLM 的复杂问答及推理能力，关键商业指标以及经济产出的实际效能的关注。试图在人力资源、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，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」，后于 2023 年开始建设 Xbench 的第一批私有题库，

1、[2-1] 

① 研究者指出，导致其在此次评估中的表现较低。