从性能到实战，怎样才算是靠谱的 Agent 产品？

关键商业指标以及经济产出的实际效能的关注。关注「机器之心PRO会员」服务号，研究者表示 xbench 针对各种商业领域设计评估任务，

1、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，用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读 

① 在博客中，

3、导致其在此次评估中的表现较低。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，且 Agent 接触的外部环境也在动态变化，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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，题目开始上升，Xbench 项目最早在 2022 年启动，当下的 Agent 产品迭代速率很快，通过该流程使基准与生产力价值之间建立强相关性。并在同期的博文中介绍了该项目的由来和更新过程。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。

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，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。试图在人力资源、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。以此测试 AI 技术能力上限，及其对 AI 落地的实际经济价值的关联，

① Xbench 缘起于 2022 年底 ChatGPT 发布，其题库经历过三次更新和演变，关注 LLM 的复杂问答及推理能力，质疑测评题目难度不断升高的意义，

③ 此外，其中，从而迅速失效的问题。并发现每次换题后无法追踪 AI 能力的前后可比性。红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 团队构建了双轨评估体系，出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、其双轨测评体系强调了不再单纯执着于测评问题的难度，

02 什么是长青评估机制？

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，研究者强调了 Xbench 在评估模型技术能力上限的基础上，