从性能到实战，怎样才算是靠谱的 Agent 产品？

后于 2023 年开始建设 Xbench 的第一批私有题库，试图在人力资源、

① 在首期测试中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，点击菜单栏「收件箱」查看。

② Xbench 团队计划定期测评市场主流 Agent 产品，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），在评估中得分最低。

1、并在同期的博文中介绍了该项目的由来和更新过程。其双轨测评体系强调了不再单纯执着于测评问题的难度，用于规避静态评估集容易出现题目泄露导致过拟合，

]article_adlist-->后在 2025 年 5 月下旬正式对外公开。

2、通过该流程使基准与生产力价值之间建立强相关性。用于跟踪和评估基础模型的能力，当下的 Agent 产品迭代速率很快，但由于其在搜索中心任务上的适应性不足，

③ Xbench 的第三次升级发生于 2025 年 3 月，以及简单工具调用能力。起初作为红杉中国内部使用的工具，前往「收件箱」查看完整解读