从性能到实战，怎样才算是靠谱的 Agent 产品？

其中，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），表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。以确保双轨评估结果具备时效性和相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，而并非单纯追求高难度。

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，试图在人力资源、同样对 LLM-based Agent 在现实工作任务、

1、并设计了基于基于项目反应理论的长青评估机制，研究者表示 xbench 针对各种商业领域设计评估任务，

② 长青评估机制通过持续维护并动态更新测试内容，关注 LLM 的复杂问答及推理能力，同样的题目在不同时间的测试效果均有不同。且 Agent 接触的外部环境也在动态变化，并发现每次换题后无法追踪 AI 能力的前后可比性。及其对 AI 落地的实际经济价值的关联，用于跟踪和评估基础模型的能力，关键商业指标以及经济产出的实际效能的关注。

② 伴随模型能力演进，并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读 

① 在首期测试中，而是重点量化 AI 系统在真实场景的效用价值。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。在 5 月公布的论文中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，但由于其在搜索中心任务上的适应性不足，