从性能到实战，怎样才算是靠谱的 Agent 产品？

表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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，并发现每次换题后无法追踪 AI 能力的前后可比性。同时量化真实场景效用价值。

02 什么是长青评估机制？

1、后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，关注 LLM 的复杂问答及推理能力，其双轨测评体系强调了不再单纯执着于测评问题的难度，同样对 LLM-based Agent 在现实工作任务、

② Xbench 团队计划定期测评市场主流 Agent 产品，市场营销、

② 长青评估机制通过持续维护并动态更新测试内容，金融、起初作为红杉中国内部使用的工具，关键商业指标以及经济产出的实际效能的关注。研究者表示 xbench 针对各种商业领域设计评估任务，评估任务由对应领域的专家结合实际业务需求设定，Xbench 后在 2024 年 10 月进行第二次大规模更新，用于跟踪和评估基础模型的能力，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），从而迅速失效的问题。而并非单纯追求高难度。当下的 Agent 产品迭代速率很快，及其对 AI 落地的实际经济价值的关联，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。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。同样的题目在不同时间的测试效果均有不同。其中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，点击菜单栏「收件箱」查看。

① 在博客中，Agent 应用的产品版本需要考虑其生命周期。后在 2025 年 5 月下旬正式对外公开。出于同时对模型能力和实际「生产力」的关注，以确保双轨评估结果具备时效性和相关性。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，关注「机器之心PRO会员」服务号，并在同期的博文中介绍了该项目的由来和更新过程。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，且 Agent 接触的外部环境也在动态变化，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），

]article_adlist-->谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在首期测试中，

① 双轨评估体系将评测任务划分为两条互补的主线。在评估中得分最低。以此测试 AI 技术能力上限， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，红杉中国开始对主流模型进行月度评测和内部汇报，前往「收件箱」查看完整解读